PlanarNeRF: 基于神经辐射场的平面基元在线学习
计算机视觉与模式识别
2025-03-11 v2
摘要
从视觉数据中识别空间完整的平面基元是计算机视觉中的一项关键任务。先前的方法大多局限于2D片段恢复或简化3D结构，即使有大量的平面标注。我们提出了PlanarNeRF，一个能够通过在线学习检测密集3D平面的新颖框架。基于神经场表示，PlanarNeRF做出了三个主要贡献。首先，它利用外观和几何知识同时增强了3D平面检测。其次，提出了一个轻量级的平面拟合模块来估计平面参数。第三，引入了一种具有更新机制的新型全局记忆库结构，确保了跨帧的一致性对应。PlanarNeRF的灵活架构使其能够在2D监督和自监督解决方案中工作，在每种方案中都能从稀疏的训练信号中有效学习，显著提高了训练效率。通过大量实验，我们证明了PlanarNeRF在各种场景下的有效性，以及相比现有工作的显著改进。
引用
@article{arxiv.2401.00871,
title = {PlanarNeRF: Online Learning of Planar Primitives with Neural Radiance Fields},
author = {Zheng Chen and Qingan Yan and Huangying Zhan and Changjiang Cai and Xiangyu Xu and Yuzhong Huang and Weihan Wang and Ziyue Feng and Yi Xu and Lantao Liu},
journal= {arXiv preprint arXiv:2401.00871},
year = {2025}
}