NeRFLiX：通过学习退化驱动视角间混合器实现高质量神经视图合成
计算机视觉与模式识别
2023-03-23 v2
摘要
神经辐射场（NeRF）在新视角合成中取得了巨大成功。然而，在真实场景中，由于潜在的标定信息不完善和场景表示不准确，现有基于 NeRF 的方法从源图像中恢复高质量细节仍然具有挑战性。即使使用高质量训练帧，NeRF 模型合成的 novel views 仍会受到显著的渲染伪影影响，例如噪声、模糊等。为提升基于 NeRF 方法的合成质量，我们提出 NeRFLiX，一种通过学习退化驱动视角间混合器的通用 NeRF 无关修复范式。具体而言，我们设计了一种 NeRF 风格的退化建模方法并构建了大规模训练数据，使现有深度神经网络有效去除 NeRF 原生渲染伪影成为可能。此外，除退化去除外，我们提出一种视角间聚合框架，能够融合高度相关的优质训练图像，将前沿 NeRF 模型的性能推向全新水平，并生成高度照片级真实的合成视图。
引用
@article{arxiv.2303.06919,
title = {NeRFLiX: High-Quality Neural View Synthesis by Learning a Degradation-Driven Inter-viewpoint MiXer},
author = {Kun Zhou and Wenbo Li and Yi Wang and Tao Hu and Nianjuan Jiang and Xiaoguang Han and Jiangbo Lu},
journal= {arXiv preprint arXiv:2303.06919},
year = {2023}
}
备注
Accepted to CVPR 2023; Project Page: see https://redrock303.github.io/nerflix/