MultiPlaneNeRF：具有不可训练表示的神经辐射场
计算机视觉与模式识别
2025-03-20 v3
摘要
NeRF 是一种流行的模型，可从 2D 图像高效表示 3D 物体。然而，原始 NeRF 存在一些重要局限。NeRF 必须针对每个物体分别训练。由于我们将物体的形状与颜色编码进神经网络权重中，训练时间很长。此外，NeRF 对未见数据的泛化能力不佳。本文中，我们提出 MultiPlaneNeRF——一个同时解决上述问题的模型。我们的模型直接作用于 2D 图像。我们将 3D 点投影到 2D 图像上以产生不可训练的表示。该投影步骤无参数化，且一个非常浅的解码器即可高效处理该表示。此外，我们可以在大型数据集上训练 MultiPlaneNeRF，并迫使我们的隐式解码器跨多个物体泛化。因此，我们仅需替换 2D 图像（无需额外训练）即可生成新物体的 NeRF 表示。在实验部分，我们证明 MultiPlaneNeRF 在合成新视角方面取得了与最先进模型相当的结果，并具备泛化特性。另外，MultiPlane 解码器可用作 GANs 等大型生成模型中的组件。
引用
@article{arxiv.2305.10579,
title = {MultiPlaneNeRF: Neural Radiance Field with Non-Trainable Representation},
author = {Dominik Zimny and Artur Kasymov and Adam Kania and Jacek Tabor and Maciej Zięba and Marcin Mazur and Przemysław Spurek},
journal= {arXiv preprint arXiv:2305.10579},
year = {2025}
}