基于持续神经图形原语的增量多场景建模
计算机视觉与模式识别
2025-08-27 v4 机器学习
摘要
神经光照场（NeRF）已彻底革新了对 3D 场景新视角的照片级真实渲染。尽管 NeRF 在 3D 资源方面日益流行且高效，但面临着每个场景需要单独模型以及多个场景训练时间的累计增加等可扩展性挑战。将多个 3D 场景递增地编码到单个 NeRF 模型的潜力仍基本未被探索。为此，我们引入 Continual-Neural Graphics Primitives（C-NGP），一种新型持续学习框架，将多个场景递增地集成到单个神经光照场中。通过生成式重放方法，C-NGP 能够在不访问旧数据的条件下适应新场景。我们演示了 C-NGP 能够在不增加参数数量的情况下容纳多个场景，产生高质量的合成数据和真实数据集上的新视角渲染。值得注意的是，C-NGP 将来自 Real-LLFF 数据集中全部 个场景建模在内，仅比对每个场景独立建模的 vanilla NeRF 降低 2.2% 的 PSNR。进一步，C-NGP 允许在同一网络中进行多次风格编辑。
引用
@article{arxiv.2411.19903,
title = {Incremental Multi-Scene Modeling via Continual Neural Graphics Primitives},
author = {Prajwal Singh and Ashish Tiwari and Gautam Vashishtha and Shanmuganathan Raman},
journal= {arXiv preprint arXiv:2411.19903},
year = {2025}
}