NerfBaselines: 新视角合成方法的一致且可复现的评估
计算机视觉与模式识别
2025-10-31 v2
摘要
新视角合成是一个重要问题，在AR/VR、游戏和机器人模拟等领域有许多应用。随着神经辐射场(NeRF)和3D高斯泼溅(3DGS)方法的快速发展，由于不同方法使用不同的评估协议、代码库难以安装和使用、以及方法对新颖3D场景泛化能力不佳，跟踪当前最先进技术(SoTA)变得日益困难。在我们的实验中，我们表明，即使不同方法评估协议中的微小差异也能人为地提升这些方法的性能。这引发了关于文献中进行的定量比较有效性的疑问。为解决这些问题，我们提出了NerfBaselines，一个评估框架，它提供一致的基准测试工具，确保可复现性，并简化了各种方法的安装和使用。我们通过复现原始论文中报告的数据来实验验证我们的实现。为提高可访问性，我们发布了一个网络平台，用于在标准基准上比较常用方法。我们坚信NerfBaselines是对社区的一项宝贵贡献，因为它确保了定量结果具有可比性，从而真正衡量新视角合成领域的进展。
引用
@article{arxiv.2406.17345,
title = {NerfBaselines: Consistent and Reproducible Evaluation of Novel View Synthesis Methods},
author = {Jonas Kulhanek and Torsten Sattler},
journal= {arXiv preprint arXiv:2406.17345},
year = {2025}
}
备注
NeurIPS 2025 D&B; Web: https://jkulhanek.com/nerfbaselines