NeRFuser：通过 NeRF 融合实现大规模场景表示
计算机视觉与模式识别
2023-05-23 v1
摘要
像神经辐射场（NeRFs）这样的隐式视觉表示的一个实际好处是其存储效率：大场景可以高效地作为小型神经网络而非图像集合进行存储和共享。然而，操作这些隐式视觉数据结构需要将经典基于图像的视觉技术（例如配准、混合）从图像集扩展到神经场。针对这一目标，我们提出 NeRFuser，一种用于 NeRF 配准与混合的新颖架构，其仅假设可访问预生成的 NeRF，而无法访问可能用于生成它们的大量图像集。我们提出基于重渲染的配准，一种基于从单个 NeRF 合成的图像推断 NeRF 之间变换的技术。对于混合，我们提出基于样本的反距离加权，以在光线采样级别混合视觉信息。我们在公开基准和自采集的以物体为中心的室内数据集上评估 NeRFuser，展示了我们方法的鲁棒性，包括对从单个源 NeRF 难以渲染的视角。
引用
@article{arxiv.2305.13307,
title = {NeRFuser: Large-Scale Scene Representation by NeRF Fusion},
author = {Jiading Fang and Shengjie Lin and Igor Vasiljevic and Vitor Guizilini and Rares Ambrus and Adrien Gaidon and Gregory Shakhnarovich and Matthew R. Walter},
journal= {arXiv preprint arXiv:2305.13307},
year = {2023}
}
备注
Code available at https://github.com/ripl/nerfuser