SPARF：基于稀疏且含噪位姿的神经辐射场
计算机视觉与模式识别
2023-06-14 v3
摘要
神经辐射场（NeRF）近来作为一种合成逼真新视角图像的强大表征崭露头角。尽管表现出令人印象深刻的性能，它依赖于密集输入视角与高度精确相机位姿的可用性，从而限制了其在真实场景中的应用。本工作中，我们提出稀疏位姿调整辐射场（SPARF），以解决仅给定少量宽基线输入图像（低至 3 张）且相机位姿含噪时的新视角合成挑战。我们的方法利用多视角几何约束，以联合学习 NeRF 并精化相机位姿。通过依赖输入视角间提取的像素匹配，我们的多视角对应目标强制优化后的场景与相机位姿收敛至全局且几何精确的求解。我们的深度一致性损失进一步鼓励重建场景从任意视点保持一致。我们的方法在多个具挑战性数据集的稀疏视角设定下确立了新的最先进水平。
引用
@article{arxiv.2211.11738,
title = {SPARF: Neural Radiance Fields from Sparse and Noisy Poses},
author = {Prune Truong and Marie-Julie Rakotosaona and Fabian Manhardt and Federico Tombari},
journal= {arXiv preprint arXiv:2211.11738},
year = {2023}
}
备注
Code is released at https://github.com/google-research/sparf. Published at CVPR 2023 as a Highlight