MCBlock:基于 MCTS 的动态分辨率光线采样以加速神经辐射场训练
计算机视觉与模式识别
2025-04-15 v1
摘要
神经辐射场(Neural Radiance Field, NeRF)以其高保真新视角合成而广为人知。然而,即使是当前最先进的 NeRF 模型——高斯泼溅(Gaussian Splatting),其训练仍需数分钟之久,远未达到远程医疗等多媒体场景所要求的实时性能。其障碍之一在于采样效率低下,而现有工作仅部分地解决了这一问题。现有的点采样算法对简单纹理区域(易于拟合)和复杂纹理区域(难以拟合)进行均匀采样;而现有的光线采样算法则一律以最细粒度(即像素级)对这些区域进行采样,二者均浪费了 GPU 训练资源。事实上,具有不同纹理强度的区域需要不同的采样粒度。为此,我们提出了一种新颖的动态分辨率光线采样算法 MCBlock,它采用蒙特卡洛树搜索(Monte Carlo Tree Search, MCTS)将每张训练图像划分为不同大小的像素块以进行主动的块级训练。具体而言,树根据训练图像的纹理进行初始化以加快初始化速度,扩展/剪枝模块则动态优化块划分。MCBlock 在开源工具集 Nerfstudio 中实现,实现了高达 2.33 倍的训练加速,优于其他光线采样算法。我们相信 MCBlock 可应用于任何锥追踪 NeRF 模型,并为多媒体社区做出贡献。
引用
@article{arxiv.2504.09878,
title = {MCBlock: Boosting Neural Radiance Field Training Speed by MCTS-based Dynamic-Resolution Ray Sampling},
author = {Yunpeng Tan and Junlin Hao and Jiangkai Wu and Liming Liu and Qingyang Li and Xinggong Zhang},
journal= {arXiv preprint arXiv:2504.09878},
year = {2025}
}