基于多视图不确定性引导的通用神经辐射场
计算机视觉与模式识别
2026-04-21 v1
摘要
通用神经辐射场(GeNeRF)能够从稀疏视角点重建高质量场景并推广到不可见场景。然而，在实际场景中，瞬时干扰物破坏跨视图结构一致性，破坏监督并降低重建质量。现有干扰物-free NeRF 方法依赖场景级优化并从单视图重建误差估计不确定性，对GeNeRF不够可靠，常将不一致的静态结构误判为干扰物。为此，我们提出MU-GeNeRF——一种面向带干扰物场景的多视图不确定性引导通用神经辐射场框架，以缓解GeNeRF在瞬时干扰物存在下的鲁棒建模挑战。我们将干扰感知分解为两个互补的不确定性组件：源视图不确定性，捕捉由视点变化或动态因素引起的源视图间结构性差异；目标视图不确定性，检测由瞬时干扰物引起的目标图像中的观察异常。这两种不确定性分别针对不同错误来源，通过异方差重建损失进行组合，指导模型自适应调节监督，实现更鲁棒的干扰抑制和几何建模。大量实验表明，我们的方法不仅超越现有GeNeRF，也达到与场景-specific干扰物-free NeRF相当的性能。
引用
@article{arxiv.2604.17965,
title = {MU-GeNeRF: Multi-view Uncertainty-guided Generalizable Neural Radiance Fields for Distractor-aware Scene},
author = {Wenjie Mu and Zhan Li and Chuanzhou Su and Xuanyi Shen and Ziniu Liu and Fan Lu and Yujian Mo and Junqiao Zhao and Tiantian Feng and Chen Ye and Guang Chen},
journal= {arXiv preprint arXiv:2604.17965},
year = {2026}
}
备注
Accepted by CVPR 2026