SGCNeRF: 基于稀疏几何一致性引导的少样本神经渲染
计算机视觉与模式识别
2025-09-10 v3
摘要
神经辐射场（NeRF）技术在新视角合成方面取得了重大进展。然而，在处理稀疏可用视图时其有效性受到阻碍，常因过拟合导致性能下降。FreeNeRF 试图通过引入隐式几何正则化来克服这一局限，从而逐步改善几何与纹理。尽管如此，初始较低的位置编码带宽会导致高频元素丢失。同时解决过拟合与高频细节保留的整体方法仍在不断探索中。本研究提出了一种基于特征匹配的稀疏几何正则化模块，并通过空间一致性几何滤波机制和频率引导的几何正则化策略加以增强。该模块擅长精确识别高频关键点，有效保留精细结构细节。通过在 NeRF 迭代中逐步优化几何与纹理，我们提出了一种有效的少样本神经渲染架构，命名为 SGCNeRF，以增强新视角合成。实验表明，SGCNeRF 不仅取得了优异的几何一致性结果，还超越了 FreeNeRF，在 LLFF 和 DTU 上的 PSNR 提升了 0.7 dB。
引用
@article{arxiv.2404.00992,
title = {SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance},
author = {Yuru Xiao and Xianming Liu and Deming Zhai and Kui Jiang and Junjun Jiang and Xiangyang Ji},
journal= {arXiv preprint arXiv:2404.00992},
year = {2025}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology