GNeRP：基于高斯引导与噪声偏振先验的反射物体神经重建
计算机视觉与模式识别
2024-03-19 v1
摘要
从神经辐射场（NeRF）中学习表面已成为多视图立体（MVS）领域的一个新兴课题。近期基于符号距离函数（SDF）的方法展示了其重建 Lambertian 场景精确 3D 形状的能力。然而，由于镜面辐射与复杂几何结构的纠缠，它们在反射场景上的结果并不令人满意。为了应对这些挑战，我们提出了一种在 SDF 场中基于高斯表示的法线。在偏振先验的监督下，这种表示指导了对镜面反射背后几何结构的学习，并比现有方法捕获了更多细节。此外，我们提出了一种在优化过程中的重加权策略，以缓解偏振先验的噪声问题。为了验证我们设计的有效性，我们在具有各种几何结构的额外反射场景中捕获了偏振信息和真值网格。我们还在 PANDORA 数据集上评估了我们的框架。比较证明，我们的方法在反射场景中大幅优于现有的神经 3D 重建方法。
引用
@article{arxiv.2403.11899,
title = {GNeRP: Gaussian-guided Neural Reconstruction of Reflective Objects with Noisy Polarization Priors},
author = {LI Yang and WU Ruizheng and LI Jiyong and CHEN Ying-cong},
journal= {arXiv preprint arXiv:2403.11899},
year = {2024}
}
备注
Accepted to ICLR 2024 Poster. For the Appendix, please see http://yukiumi13.github.io/gnerp_page