使用 NeRF 重建未知物体需要多少视角？

神经辐射场（NeRFs）因其在内存效率上的出色表现以及仅需带位姿的 RGB 输入，正获得在线主动物体重建领域的显著关注。以往的基于 NeRF 的视角规划方法表现出计算低效，因为它们依赖于一种迭代范式，包括（1）在新图像到达时重新训练 NeRF；以及（2）仅规划到下一最佳视角的路径。为应对这些局限，我们提出了一种基于所需视角数量预测（PRV）的非迭代流水线。我们方法背后的核心思想是：重建一个物体所需的视角数量取决于其复杂度。因此，我们设计了一个名为 PRVNet 的深度神经网络来预测所需视角数量，使我们能依据物体复杂度量身定制数据采集并规划全局最短路径。为训练我们的 PRVNet，我们使用 ShapeNet 数据集生成监督标签。仿真实验表明，我们基于 PRV 的视角规划方法优于基线，在取得良好重建质量的同时显著降低了移动成本与规划时间。我们进一步在真实世界实验中验证了该方法的泛化能力。