PoRF：用于精确神经表面重建的位姿残差场
计算机视觉与模式识别
2024-03-14 v3
摘要
神经表面重建对相机位姿噪声十分敏感，即便使用 COLMAP 或 ARKit 等最先进的位姿估计器也是如此。更重要的是，现有的位姿-NeRF 联合优化方法在具有挑战性的真实场景中位姿精度提升有限。为克服这些挑战，我们引入了位姿残差场（PoRF），一种利用 MLP 回归位姿更新的新颖隐式表示。由于参数共享利用了整个序列的全局信息，该方法比传统的位姿参数优化更为鲁棒。此外，我们提出了一种对极几何损失来增强监督，其利用从 COLMAP 结果导出的对应关系，且不带来额外的计算开销。我们的方法取得了有前景的结果。在 DTU 数据集上，我们将 COLMAP 位姿的旋转误差降低了 78%，从而使重建的 Chamfer 距离从 3.48mm 降至 0.85mm。在包含随意拍摄的无界 360 度视频的 MobileBrick 数据集上，我们的方法精化了 ARKit 位姿，并将重建 F1 分数从 69.18 提升至 75.67，优于使用该数据集提供的真值位姿的结果（75.14）。这些成果证明了我们的方法在真实场景中精化相机位姿并提升神经表面重建精度方面的有效性。
引用
@article{arxiv.2310.07449,
title = {PoRF: Pose Residual Field for Accurate Neural Surface Reconstruction},
author = {Jia-Wang Bian and Wenjing Bian and Victor Adrian Prisacariu and Philip Torr},
journal= {arXiv preprint arXiv:2310.07449},
year = {2024}
}
备注
Accepted to ICLR 2024. Find the project page at https://porf.active.vision/