GenNBV：用于主动 3D 重建的可泛化次佳视点策略

虽然神经辐射场（NeRF）的最新进展实现了大规模场景的真实数字化，但图像捕捉过程仍然耗时且费力。先前的工作尝试使用次佳视点（NBV）策略来实现主动 3D 重建的自动化。然而，现有的 NBV 策略严重依赖手工制定的标准、有限的动作空间或针对特定场景优化的表示。这些限制限制了它们的跨数据集泛化能力。为了克服这些问题，我们提出了 GenNBV，一种端到端的可泛化 NBV 策略。我们的策略采用基于强化学习（RL）的框架，并将典型的有限动作空间扩展至 5D 自由空间。这使得我们的智能体无人机能够从任何视点进行扫描，甚至在训练期间与未见过的几何体进行交互。为了提高跨数据集的泛化能力，我们还提出了一种新颖的多源状态嵌入，包括几何、语义和动作表示。我们利用 Isaac Gym 模拟器以及 Houses3K 和 OmniObject3D 数据集建立了一个基准，以评估该 NBV 策略。实验表明，我们的策略在这些数据集中未见过的建筑尺度物体上分别达到了 98.26% 和 97.12% 的覆盖率，优于先前的解决方案。