GUMBEL-NERF：将未见物体表示为部件组合式神经辐射场
计算机视觉与模式识别
2024-10-29 v1
摘要
我们提出了 Gumbel-NeRF，这是一种带有事后专家选择机制的混合专家神经网络辐射场模型，用于合成未见物体的新视角。先前的研究表明，MoE 结构能够为由许多物体组成的给定大规模场景提供高质量表示。然而，我们观察到，当将此类 MoE NeRF 模型应用于从单次/少次输入合成未见物体新视角的任务时，通常会在专家边界附近产生低质量表示。我们发现这种退化主要是由先验专家选择机制引起的，这可能会在专家边界附近的物体形状中留下不自然的间断。Gumbel-NeRF 采用了事后专家选择机制，即使在专家边界附近也能保证密度场的连续性。在 SRN cars 数据集上的实验表明，Gumbel-NeRF 在各种图像质量指标上均优于基线方法。
引用
@article{arxiv.2410.20306,
title = {GUMBEL-NERF: Representing Unseen Objects as Part-Compositional Neural Radiance Fields},
author = {Yusuke Sekikawa and Chingwei Hsu and Satoshi Ikehata and Rei Kawakami and Ikuro Sato},
journal= {arXiv preprint arXiv:2410.20306},
year = {2024}
}
备注
7 pages. Presented at ICIP2024