Simple-RF：正则化稀疏输入辐射场的简单解
计算机视觉与模式识别
2026-03-17 v5
摘要
神经辐射场(NeRF)在照片级自由视角渲染中展现出惊人的性能。最近的改进如TensoRF和ZipNeRF采用显式模型实现更快的优化和渲染，相较于采用隐式表示的NeRF。然而，无论是隐式还是显式辐射场都需要对给定场景中的图像进行密集抽样。当仅提供稀疏视图时，性能会显著下降。研究人员发现，对辐射场估计的深度进行监督有助于使用更少的视图有效训练。深度监督可通过经典方法或预训练于大数据集的神经网络获得。虽然前者可能仅提供稀疏监督，后者可能受到泛化问题的影响。与之前的方法不同，我们通过设计增强模型并与主辐射场一起训练来学习深度监督。进一步，我们旨在设计一种可跨越不同隐式和显式辐射场的正则化框架。我们观察到，在稀疏输入场景中，这些辐射场模型的某些特征会过拟合到观察到的图像。我们的关键发现是，通过减少辐射场相位置编码的能力、分解张量组件的数量或哈希表的大小，可以约束模型学习更简单的解，从而在某些区域估计更好的深度。通过基于此类reduced capability设计增强模型，我们获得了更好的深度监督用于主辐射场。在 employing上述正则化，我们在包含前瞻视图和360°场景的流行数据集上实现了稀疏输入视图的state-of-the-art视图合成性能。
引用
@article{arxiv.2404.19015,
title = {Simple-RF: Regularizing Sparse Input Radiance Fields with Simpler Solutions},
author = {Nagabhushan Somraj and Sai Harsha Mupparaju and Adithyan Karanayil and Rajiv Soundararajan},
journal= {arXiv preprint arXiv:2404.19015},
year = {2026}
}
备注
The source code for our model can be found on our project page: https://nagabhushansn95.github.io/publications/2024/Simple-RF.html. Extension of arXiv:2309.03955