SimpleNeRF：以更简单解正则化稀疏输入神经辐射场
计算机视觉与模式识别
2023-09-15 v2 图形学
摘要
神经辐射场（NeRF）在场景的真实感自由视角渲染中表现出令人印象深刻的性能。然而，NeRF需要在给定场景中进行密集的图像采样，当仅有稀疏视角可用时，其性能显著下降。研究者发现，监督NeRF估计的深度有助于以更少视角有效训练它。深度监督或通过经典方法获得，或通过在大数据集上预训练的神经网络获得。前者可能仅提供稀疏监督，后者则可能存在泛化问题。与先前方法不同，我们旨在通过设计增强模型并与其一同训练NeRF来学习深度监督。我们设计的增强模型通过探索位置编码和视角相关辐射在少样本NeRF训练中的作用，鼓励更简单的解。这些更简单模型估计的深度用于监督NeRF的深度估计。由于增强模型在某些区域可能不准确，我们设计了一种机制以仅选择可靠的深度估计用于监督。最后，我们在NeRF的粗、细多层感知机之间添加一致性损失，以确保更好地利用分层采样。通过上述正则化，我们在两个流行数据集上取得了最先进的视角合成性能。我们模型的源代码可在项目页找到：https://nagabhushansn95.github.io/publications/2023/SimpleNeRF.html
引用
@article{arxiv.2309.03955,
title = {SimpleNeRF: Regularizing Sparse Input Neural Radiance Fields with Simpler Solutions},
author = {Nagabhushan Somraj and Adithyan Karanayil and Rajiv Soundararajan},
journal= {arXiv preprint arXiv:2309.03955},
year = {2023}
}
备注
SIGGRAPH Asia 2023