低成本神经辐射场
计算机视觉与模式识别
2026-05-12 v1
摘要
神经辐射场（NeRF）实现了高质量的新视角合成，但其长时间的训练时间以及对密集输入视角的依赖限制了可及性。我们present对三种加速NeRF变体——DS-NeRF、TensoRF和HashNeRF的比较研究，并探索针对低计算、低数据场景的扩展。首先，我们在TensoRF上添加一种从COLMAP关键点派生的深度监督损失（TensoRF-DS），并在视角数目减少的LLFF数据集上进行评估。其次，我们对TensoRF进行特征解码MLP的消融实验，研究输入下采样对PSNR和运行时间在积木场景上的影响。最后，我们提出HashNeRF颜色和密度网络的四种架构变体，包括残差和卷积设计，并在匹配迭代预算下报告PSNR/训练时间的权衡。在等时评估下，我们的扩展措施并未明显超越已发表的基线，但实验对哪些扩展措施可迁移到受限场景以及未来工作的设计问题进行了表征。
引用
@article{arxiv.2605.09312,
title = {Low-Cost Neural Radiance Fields},
author = {Alice Huang and Prathamesh Sonawane and Yashdeep Thorat and Yug Rao},
journal= {arXiv preprint arXiv:2605.09312},
year = {2026}
}
备注
7 pages