NeRF导演：重访神经体渲染中的视图选择

神经渲染表示在3D计算机视觉领域取得了显著进展。尽管如此，关于选择训练视图的关键问题尚未得到充分调查。这种关键因素在实现高质量结果方面起着重要作用，且符合深度学习的著名原则：“垃圾进，垃圾出”。本文首先通过演示在最常用的NeRF数据集中，对测试视图进行简单旋转如何导致状态机技术性能排名发生重大变化，来说明视图选择的重要性。为解决这一挑战，我们引入一个统一的视图选择方法框架，并构建了全面的基准测试来评估其影响。通过关注重建物体视图覆盖的均匀性，而无需利用误差或不确定性估计，可实现显著改进，从而形成一种无需训练的方法。使用这一技术，我们展示了通过使用更少的视图即可更快地实现高质量渲染。我们在合成数据集和真实数据上进行了大量实验，以证明我们提出的方法在随机选择、传统误差基于和不确定性引导的视图选择方面的有效性。