PruNeRF：基于3D空间一致性的以片段为中心的数据集剪枝
计算机视觉与模式识别
2024-06-04 v1 人工智能
摘要
神经辐射场（NeRF）在学习3D场景方面表现出色。然而，当训练图像中存在干扰物时——即仅在特定视图中出现的意外物体，如移动的行人或鸟类——NeRF会表现出脆弱性。在数据集构建过程中排除干扰物是一种直接的解决方案，但若事先不知道其类型和数量，则成本过高。本文提出PruNeRF，一种基于3D空间一致性的以片段为中心的数据集剪枝框架，能够有效识别并剪除干扰物。我们首先考察了现有用于度量逐像素干扰的指标，并引入影响函数以实现更精确的度量。然后，我们利用基于深度的重投影技术评估3D空间一致性，从而获得3D感知的干扰度量。此外，我们引入分割技术进行像素到片段的细化，实现更精确的识别。在基准数据集上的实验表明，PruNeRF在对抗干扰物的鲁棒性方面始终优于现有方法。
引用
@article{arxiv.2406.00798,
title = {PruNeRF: Segment-Centric Dataset Pruning via 3D Spatial Consistency},
author = {Yeonsung Jung and Heecheol Yun and Joonhyung Park and Jin-Hwa Kim and Eunho Yang},
journal= {arXiv preprint arXiv:2406.00798},
year = {2024}
}