基于空间退火的高效少样本神经渲染

神经辐射场(NeRF)采用混合表示已展现出用于新视角合成的卓越能力，实现高效。然而，在稀疏输入视图时，其性能显著下降。已设计多种正则化策略以解决这些挑战。但这些策略要么需要额外的渲染成本，要么涉及复杂的管道设计，导致训练效率下降。虽然FreeNeRF引入了高效频率退火策略，但其在频率位置编码上运行，与高效混合表示不兼容。本文引入一种准确且高效的少样本神经渲染方法，命名为\textbf{S}patial \textbf{A}nnealing regularized \textbf{NeRF} (\textbf{SANeRF})，采用混合表示的预过滤设计。我们首先通过推导其过滤过程，建立混合架构的频带限制的解析公式。基于此分析，我们提出一种在空间域中的通用频率退火形式，可通过调制采样核从初始狭窄网格切线核谱系指数收缩来实现。这种方法对于稳定训练初期至关重要，并显著促进后续细节细化过程。我们的广泛实验表明，仅通过添加一行代码，SANeRF在渲染质量和重建速度方面均优于当前少样本神经渲染方法。值得注意的是，SANeRF在Blender数据集上比FreeNeRF快700倍。