GPN：基于生成式点的NeRF
计算机视觉与模式识别
2024-04-15 v1 图形学
摘要
使用现代配准设备扫描真实场景通常会得到不完整的点云表示，这主要是由于部分扫描、3D遮挡和动态光照条件的限制。处理不完整点云的近期工作总是集中在点云补全上。然而，这些方法不能确保补全后的点云与捕获图像在颜色和几何上的一致性。我们提出使用基于生成式点的 NeRF (GPN)，通过充分利用扫描图像和相应的重建点云来重建和修复部分点云。修复后的点云能够在高空间分辨率下实现与捕获图像的多视图一致性。对于单一场景的微调，我们通过引入自动解码器(Auto-Decoder)架构来优化全局潜在条件，同时保持多视图一致性。因此，生成的点云是平滑的、合理的，并且在几何上与部分扫描图像一致。在 ShapeNet 上的大量实验表明，我们的工作与其他最先进的基于点云的神经场景渲染和编辑性能相比具有竞争力。
引用
@article{arxiv.2404.08312,
title = {GPN: Generative Point-based NeRF},
author = {Haipeng Wang},
journal= {arXiv preprint arXiv:2404.08312},
year = {2024}
}