Log NeRF：比较不同颜色空间对辐射场学习的影响
计算机视觉与模式识别
2025-12-11 v1 人工智能
摘要
神经辐射场（NeRF）在新视角合成方面取得了显著成果，通常使用sRGB图像进行监督。然而，关于网络学习辐射场表示所使用的颜色空间，几乎没有被关注。灵感来自双光照色差反射（BIDR）模型，该模型表明对数变换可简化光照与反射率的分离，我们假设log RGB空间有助于NeRF学习更紧凑且更有效的场景外观表示。为此，我们使用GoPro相机捕获约30个视频，确保通过反向编码实现线性数据恢复。我们通过在不同颜色空间下训练NeRF模型（包括linear、sRGB、GPLog和log RGB），并在渲染与损失计算前将每个网络输出转换为common颜色空间，从而在强制网络在不同颜色空间中学习表示。定量和定性评估表明，使用log RGB颜色空间始终改善了渲染质量，跨场景鲁棒性更强，尤其在低光条件下表现突出，而输入图像位深保持不变。进一步的分析表明，log空间的优势在不同网络规模和NeRF变体之间得以泛化和稳定。
引用
@article{arxiv.2512.09375,
title = {Log NeRF: Comparing Spaces for Learning Radiance Fields},
author = {Sihe Chen and Luv Verma and Bruce A. Maxwell},
journal= {arXiv preprint arXiv:2512.09375},
year = {2025}
}
备注
The 36th British Machine Vision Conference