NoPe-NeRF++：无姿态先验的 NeRF 局部到全局优化
计算机视觉与模式识别
2025-11-24 v1
摘要
本文提出 NoPe-NeRF++，一种 novel 的 local-to-global 优化算法，用于在不要求姿态先验的情况下训练神经光度场（NeRF）。现有方法，特别是 NoPe-NeRF，仅关注图像内部的局部关系，往往难以在复杂场景中恢复准确的相机姿态。为克服这些挑战，我们的方法首先采用显式特征匹配进行相对姿态初始化，随后进行局部联合优化以提高姿态估计质量，从而训练更稳健的 NeRF 表示。该方法显著提高了初始姿态的质量。此外，我们引入全球优化阶段，通过束流调整等几何一致性约束来整合特征轨迹，进一步细化姿态并整体提升 NeRF 的质量。值得注意的是，我们的方法是首个无缝结合局部与全局线索的 work，能够在姿态估计精度和新视角合成方面超越最先进的方法。广泛的在基准数据集上的评估表明，我们的性能卓越且具鲁棒性，即使在具有挑战性场景中也能验证我们的设计选择。
引用
@article{arxiv.2511.17322,
title = {NoPe-NeRF++: Local-to-Global Optimization of NeRF with No Pose Prior},
author = {Dongbo Shi and Shen Cao and Bojian Wu and Jinhui Guo and Lubin Fan and Renjie Chen and Ligang Liu and Jieping Ye},
journal= {arXiv preprint arXiv:2511.17322},
year = {2025}
}