NeRF-HuGS：基于启发式引导分割的非静态场景神经辐射场改进
计算机视觉与模式识别
2024-03-27 v1
摘要
神经辐射场（NeRF）在新视角合成与三维场景重建方面的卓越表现已获广泛认可。然而，其有效性本质上依赖于场景静态的假设，当面对移动物体或阴影等瞬态干扰时，易产生不良伪影。本文提出一种新颖范式，即“启发式引导分割”（Heuristics-Guided Segmentation，HuGS），通过有机结合手工设计启发式方法与最先进分割模型的优势，显著增强了静态场景与瞬态干扰的分离，从而大幅超越了以往解决方案的局限。此外，我们深入探究启发式的精细设计，引入基于运动恢复结构（SfM）的启发式与颜色残差启发式的无缝融合，以适应多样化的纹理特征。大量实验证明了我们的方法在缓解非静态场景下训练 NeRF 的瞬态干扰方面的优越性与鲁棒性。项目页面：https://cnhaox.github.io/NeRF-HuGS/。
引用
@article{arxiv.2403.17537,
title = {NeRF-HuGS: Improved Neural Radiance Fields in Non-static Scenes Using Heuristics-Guided Segmentation},
author = {Jiahao Chen and Yipeng Qin and Lingjie Liu and Jiangbo Lu and Guanbin Li},
journal= {arXiv preprint arXiv:2403.17537},
year = {2024}
}
备注
To appear in CVPR2024