LagerNVS：用于全神经实时新视角合成的潜在几何
计算机视觉与模式识别
2026-03-30 v2
摘要
近期研究表明，神经网络可执行诸如新视角合成（Novel View Synthesis, NVS）之类的3D任务，而无需显式的3D重建。尽管如此，我们认为，强大的3D归纳偏置仍有助于此类网络的设计。我们通过引入LagerNVS——一种基于“3D感知”潜在特征的 encoder-decoder 神经网络来证明这一点。encoder 从使用显式3D监督预训练的3D重建网络初始化。这一模块与轻量级 decoder 配对，采用光度损失进行 end-to-end 训练。LagerNVS 实现了新视角合成的先进确定性 feed-forward 性能（包括在 Re10k 上的31.4 PSNR），无论是否已知相机，都能实时渲染，能够泛化到野外数据，并可与扩散 decoder 配合，用于生成性外推。
引用
@article{arxiv.2603.20176,
title = {LagerNVS: Latent Geometry for Fully Neural Real-time Novel View Synthesis},
author = {Stanislaw Szymanowicz and Minghao Chen and Jianyuan Wang and Christian Rupprecht and Andrea Vedaldi},
journal= {arXiv preprint arXiv:2603.20176},
year = {2026}
}
备注
IEEE CVF Conference on Computer Vision and Pattern Recognition 2026. Project page with code, models and examples: szymanowiczs.github.io/lagernvs