提升室内场景下 360 度神经辐射场的几何一致性
计算机视觉与模式识别
2025-03-19 v1
摘要
照片实istics 渲染和新视角合成在人机交互任务中发挥着关键作用，从游戏到路径规划。神经辐射场 (NeRF) 将场景建模为连续体积函数，实现了卓越的渲染质量。然而，NeRF 在大型、低纹理区域常常难以处理，产生称为“cloudy artifacts”的模糊性迹象，降低场景的真实感，尤其是在具有无纹理建筑表面（如墙壁、天花板和地板）的室内环境中。为克服这一局限，先前的工作已将几何约束整合到 NeRF 流程中，通常利用来自结构运动或多视图立体声学的深度信息。然而，传统的 RGB 特征对应方法在准确估计低纹理区域的深度方面面临挑战，导致约束不可靠。这种挑战在 360 度“inside-out”视图中进一步复杂化，因为相邻图像之间的稀疏视觉重叠进一步阻碍深度估计。为此，我们提出一种高效且稳健的方法，用于计算针对室内环境中大型低纹理建筑表面的稠密深度先验。我们引入一种新型深度损失函数，以增强这些具有挑战性的低特征区域的渲染质量，而补充的深度 patch 正则化进一步细化其他区域的深度一致性。针对两个合成 360 度室内场景的 Instant-NGP 实验结果表明，我们的方法在标准光度损失和均方误差深度监督之下，提高了视觉保真度。
引用
@article{arxiv.2503.13710,
title = {Improving Geometric Consistency for 360-Degree Neural Radiance Fields in Indoor Scenarios},
author = {Iryna Repinetska and Anna Hilsmann and Peter Eisert},
journal= {arXiv preprint arXiv:2503.13710},
year = {2025}
}