基于场景图优化的 SG-NeRF：神经表面重建
计算机视觉与模式识别
2024-07-18 v1
摘要
从图像进行 3D 表面重建是众多应用的关键任务。最近，神经辐射场 (NeRF) 作为一种前景的 3D 建模框架而涌现。然而，NeRF 需要准确的相机姿态作为输入，现有方法在处理显著噪声姿态估计（即离群值）时常常力不从众，这在现实场景中常见。为解决这一挑战，我们提出了一种新方法，通过场景图优化来优化辐射场，以减轻离群姿态的影响。我们的方法包含基于场景图的自适应离群-内点置信度估计方案，强调与邻域图像的高兼容性以及在渲染质量方面的一致性。我们还引入一种有效的交并比 (IoU) 损失，用于优化相机姿态和表面几何，同时采用粗到细策略以促进训练。此外，我们提出了一个包含典型离群姿态的新数据集，用于详细评估。在 various 数据集上的实验结果一致显示，我们方法的有效性和优越性，展示了其在处理离群值并产生高质量 3D 重建方面的鲁棒性。我们的代码和数据可在 \url{https://github.com/Iris-cyy/SG-NeRF} 获取。
关键词
引用
@article{arxiv.2407.12667,
title = {SG-NeRF: Neural Surface Reconstruction with Scene Graph Optimization},
author = {Yiyang Chen and Siyan Dong and Xulong Wang and Lulu Cai and Youyi Zheng and Yanchao Yang},
journal= {arXiv preprint arXiv:2407.12667},
year = {2024}
}
备注
ECCV 2024