SeamlessNeRF：利用梯度传播拼接局部 NeRF
计算机视觉与模式识别
2023-11-29 v1 图形学
摘要
神经辐射场（NeRFs）已成为有前景的 3D 物体与场景数字载体，引发了大量旨在扩展该领域编辑能力的研究。多个 NeRF 的无缝编辑与合并任务，类似于 2D 图像编辑中的“泊松融合”，仍是一项关键操作，现有工作对此探索不足。为填补这一空白，我们提出 SeamlessNeRF，一种用于多个 NeRF 外观无缝融合的新方法。具体而言，我们旨在优化目标辐射场的外观，以使其与源辐射场的合并相协调。我们提出了一种量身定制的融合优化流程，其受两方面约束：1）固定源场与目标场相交边界区域内的辐射颜色；2）保持目标的原始梯度。大量实验验证，我们的方法能通过梯度将源外观从边界区域有效传播至整个目标场。据我们所知，SeamlessNeRF 是首个将梯度引导的外观编辑引入辐射场的工作，为以 NeRF 表示的 3D 物体无缝拼接提供了解决方案。
引用
@article{arxiv.2311.16127,
title = {SeamlessNeRF: Stitching Part NeRFs with Gradient Propagation},
author = {Bingchen Gong and Yuehao Wang and Xiaoguang Han and Qi Dou},
journal= {arXiv preprint arXiv:2311.16127},
year = {2023}
}
备注
To appear in SIGGRAPH Asia 2023. Project website is accessible at https://sites.google.com/view/seamlessnerf