用于无位姿LiDAR视角合成的谱-几何神经场
计算机视觉与模式识别
2026-03-16 v1
摘要
神经辐射场(NeRF)在图像新视角合成(NVS)方面取得了显著成功，这启发了其在LiDAR NVS上的扩展。然而，大多数方法严重依赖于精确的相机位姿来进行场景重建。LiDAR数据的稀疏性和无纹理特性也带来了独特的挑战，导致几何空洞和不连续表面。为了解决这些问题，我们提出了SG-NLF，一个无位姿的LiDAR NeRF框架，它将谱信息与几何一致性相结合。具体来说，我们设计了一种基于谱先验的混合表示来重建平滑几何。对于位姿优化，我们基于特征兼容性构建了一个置信度感知图以实现全局对齐。此外，引入了一种对抗学习策略来强制执行跨帧一致性，从而增强重建质量。全面的实验证明了我们框架的有效性，尤其是在具有挑战性的低频场景中。与先前最先进的方法相比，SG-NLF将重建质量和位姿精度分别提高了超过35.8%和68.8%。我们的工作可以为LiDAR视角合成提供一个新的视角。
引用
@article{arxiv.2603.12903,
title = {Spectral-Geometric Neural Fields for Pose-Free LiDAR View Synthesis},
author = {Yinuo Jiang and Jun Cheng and Yiran Wang and Cheng Cheng},
journal= {arXiv preprint arXiv:2603.12903},
year = {2026}
}
备注
Accepted by CVPR 2026