GL-NeRF: 高斯-拉盖尔求积实现免训练 NeRF 加速
计算机视觉与模式识别
2024-10-29 v1 图形学
摘要
由于对每条射线上采样的点进行大量 MLP 调用，神经辐射场中的体渲染本质上非常耗时。以往的工作通常通过引入新的神经网络或数据结构来解决这一问题。在本工作中，我们提出了 GL-NeRF，一种利用高斯-拉盖尔求积计算体渲染的新视角。GL-NeRF 显著减少了体渲染所需的 MLP 调用次数，且未引入额外的数据结构或神经网络。其简单的公式使得在任何 NeRF 模型中采用 GL-NeRF 成为可能。在本文中，我们首先论证了使用高斯-拉盖尔求积的合理性，然后通过将其实现于两个不同的 NeRF 模型中来展示这种即插即用的特性。我们表明，在性能损失极小的情况下，GL-NeRF 能够显著减少 MLP 调用次数，展现出加速任何 NeRF 模型的潜力。
引用
@article{arxiv.2410.19831,
title = {GL-NeRF: Gauss-Laguerre Quadrature Enables Training-Free NeRF Acceleration},
author = {Silong Yong and Yaqi Xie and Simon Stepputtis and Katia Sycara},
journal= {arXiv preprint arXiv:2410.19831},
year = {2024}
}
备注
NeurIPS 2024. Project page: https://silongyong.github.io/GL-NeRF_project_page/