MutualNeRF：基于互信息理论提升样本有限情况下的 NeRF 性能
计算机视觉与模式识别
2025-06-10 v2
摘要
本文提出了 MutualNeRF 框架，通过互信息理论增强 Neural Radiance Field (NeRF) 在样本有限情况下的性能。虽然 NeRF 在 3D 场景合成方面表现优异，但在有限数据和现有方法旨在引入先验知识缺乏统一框架理论支持方面存在挑战。我们引入一种简单且理论上稳健的概念——互信息，将其作为衡量图像之间相关性的指标，同时考虑宏观（语义）和微观（像素）水平。对于稀疏视图采样，我们策略性地选择包含更多非重叠场景信息的额外视角，通过最小化互信息来实现（无需提前知道真实图像）。我们的框架采用贪婪算法，提供近最优解。对于 few-shot 视图合成，我们最大化推断图像与真实图像之间的互信息，期望推断图像从已知图像中获取更多相关信息。这通过引入高效、即插即用的正则化项来实现。在有限样本下的实验显示，在不同设置下均一致优于最先进的基线方法，确认了本框架的有效性。
引用
@article{arxiv.2505.11386,
title = {MutualNeRF: Improve the Performance of NeRF under Limited Samples with Mutual Information Theory},
author = {Zifan Wang and Jingwei Li and Yitang Li and Yunze Liu},
journal= {arXiv preprint arXiv:2505.11386},
year = {2025}
}