RefiNeRF：以不一致或缺失相机参数建模动态神经辐射场
计算机视觉与模式识别
2023-03-16 v1
摘要
新视角合成（NVS）是计算机视觉中一项具有挑战性的任务，涉及从有限的一组输入图像合成场景的新视角。神经辐射场（NeRF）已成为解决此问题的强大方法，但它们需要准确的相机内参和外参知识。传统上，运动恢复结构（SfM）和多视图立体（MVS）方法被用于提取相机参数，但这些方法可能不可靠且在某些情况下会失败。在本文中，我们提出了一种新技术，利用来自动态数据集（如NVIDIA动态场景数据集）的无位姿图像，直接从数据中学习相机参数。我们的方法具有高度可扩展性，只需极少修改即可集成到现有的NeRF架构中。我们在多种静态和动态场景上证明了方法的有效性，并展示其优于传统SfM和MVS方法。我们方法的代码公开于 \href{https://github.com/redacted/refinerf}{https://github.com/redacted/refinerf}。我们的方法为使用NeRF提升NVS的准确性和鲁棒性提供了一条有前景的新方向，我们预期它将成为计算机视觉与图形学中广泛应用的有价值工具。
引用
@article{arxiv.2303.08695,
title = {RefiNeRF: Modelling dynamic neural radiance fields with inconsistent or missing camera parameters},
author = {Shuja Khalid and Frank Rudzicz},
journal= {arXiv preprint arXiv:2303.08695},
year = {2023}
}