利用近表面采样与点云生成改进神经辐射场
计算机视觉与模式识别
2024-03-19 v2
摘要
神经辐射场（NeRF）是一种新兴的视图合成方法，它在三维（3D）空间中对点进行采样，并估计其存在概率与颜色概率。NeRF 的缺点在于需要较长的训练时间，因为它采样了大量 3D 点。此外，如果从被遮挡区域或物体不太可能存在的空间中进行点采样，NeRF 的渲染质量会下降。这些问题可以通过估计 3D 场景的几何结构来解决。本文提出了一种近表面采样框架，以提升 NeRF 的渲染质量。为此，所提方法利用训练集的深度图像估计 3D 物体的表面，并仅在该表面附近进行采样。为了获取新视角下的深度信息，本文提出了一种 3D 点云生成方法以及一种针对由点云投影所得深度的简单精炼方法。实验结果表明，与原始 NeRF 以及三种不同的先进 NeRF 相比，所提出的近表面采样 NeRF 框架能显著提升渲染质量。此外，利用该近表面采样框架可大幅加速 NeRF 模型的训练时间。
引用
@article{arxiv.2310.04152,
title = {Improving Neural Radiance Field using Near-Surface Sampling with Point Cloud Generation},
author = {Hye Bin Yoo and Hyun Min Han and Sung Soo Hwang and Il Yong Chun},
journal= {arXiv preprint arXiv:2310.04152},
year = {2024}
}
备注
14 figures, 3 tables