SCALAR-NeRF：面向场景重建的可扩展大规模神经辐射场
计算机视觉与模式识别
2023-11-29 v1
摘要
在本工作中，我们提出 SCALAR-NeRF，一种专为可扩展大规模神经场景重建设计的新型框架。我们将神经表示构建为编码器-解码器架构，其中编码器处理 3D 点坐标以生成编码特征，解码器生成包含有符号距离的体积密度与颜色的几何值。我们的方法首先在整幅图像数据集上训练一个粗粒度全局模型。随后，我们使用 KMeans 将图像划分为较小块，每块由一个专用的局部模型建模。我们通过放大每个局部块的包围盒来增强不同块之间的重叠区域。值得注意的是，全局模型的解码器在不同块之间共享，从而促进局部编码器特征空间的对齐。我们提出一种有效且高效的方法，融合这些局部模型的输出以获得最终重建结果。采用这一精细的由粗到细策略，我们的方法优于最先进的 NeRF 方法，并展现出针对大规模场景重建的可扩展性。代码将在我们的项目页面 https://aibluefisher.github.io/SCALAR-NeRF/ 上提供。
引用
@article{arxiv.2311.16657,
title = {SCALAR-NeRF: SCAlable LARge-scale Neural Radiance Fields for Scene Reconstruction},
author = {Yu Chen and Gim Hee Lee},
journal= {arXiv preprint arXiv:2311.16657},
year = {2023}
}
备注
Project Page: https://aibluefisher.github.io/SCALAR-NeRF