锐化您的密度场：脉冲神经元驱动的快速几何学习
计算机视觉与模式识别
2024-12-16 v1
摘要
神经辐射场 (NeRF) 在神经渲染方面取得了显著进展。从 NeRF 中提取几何信息通常依赖于 Marching Cubes 算法，该算法使用人工设定的阈值定义等值面。然而，这种阈值方法需要繁琐且场景特定的调优，限制了其在实际应用中的实用性。在本工作中，我们寻求在训练阶段提高该方法的效率。为此，我们引入一种脉冲神经元机制，以动态调整阈值，消除对手动选择的需求。尽管这种方法前景光明，但直接使用脉冲神经元训练会导致模型崩溃和噪声输出。为克服这些挑战，我们提出一种轮流策略，以稳定训练过程，使几何网络能够以最小的计算开销实现更锐利和更精确的密度分布。我们通过在合成数据和真实世界数据集上的大量实验进行验证。结果表明，我们的方法显著改进了基于阈值的技术性能，为 NeRF 几何提取提供了更稳健和更有效的解决方案。
关键词
引用
@article{arxiv.2412.09881,
title = {Sharpening Your Density Fields: Spiking Neuron Aided Fast Geometry Learning},
author = {Yi Gu and Zhaorui Wang and Dongjun Ye and Renjing Xu},
journal= {arXiv preprint arXiv:2412.09881},
year = {2024}
}