Mip-Grid：用于神经辐射场的抗混叠网格表示
计算机视觉与模式识别
2024-02-23 v1 图形学
摘要
尽管神经辐射场 (NeRF) 在表示 3D 场景和生成新视角图像方面取得了显著成就，但在大多数现有方法中，混叠问题（即在不同相机距离下渲染出“锯齿”或“模糊”的图像）仍未解决。最近提出的 mip-NeRF 通过渲染锥形束而不是射线来解决这一挑战。然而，它依赖 MLP 架构来表示辐射场，错过了最新基于网格的方法所提供的快速训练速度。在这项工作中，我们提出了 mip-Grid，这是一种将抗混叠技术集成到基于网格的辐射场表示中的新方法，在享受快速训练时间的同时减轻了混叠伪影。所提出的方法通过对共享网格表示应用简单的卷积操作生成多尺度网格，并使用尺度感知坐标从生成的多尺度网格中检索不同尺度的特征。为了测试有效性，我们将所提出的方法集成到两种最近的代表性基于网格的方法 TensoRF 和 K-Planes 中。实验结果表明，mip-Grid 极大地提高了这两种方法的渲染性能，甚至在多尺度数据集上优于 mip-NeRF，同时实现了显著更快的训练时间。代码和演示视频请参阅 https://stnamjef.github.io/mipgrid.github.io/。
引用
@article{arxiv.2402.14196,
title = {Mip-Grid: Anti-aliased Grid Representations for Neural Radiance Fields},
author = {Seungtae Nam and Daniel Rho and Jong Hwan Ko and Eunbyung Park},
journal= {arXiv preprint arXiv:2402.14196},
year = {2024}
}
备注
Accepted to NeurIPS 2023