TensoRF：张量化辐射场
计算机视觉与模式识别
2022-11-30 v2
摘要
我们提出 TensoRF，一种对辐射场进行建模与重建的新方法。与纯粹使用 MLP 的 NeRF 不同，我们将场景的辐射场建模为一个四维张量，表示一个具有逐体素多通道特征的的三维体素网格。我们的核心思想是将四维场景张量分解为多个紧凑的低秩张量分量。我们证明，在我们的框架中应用传统的 CP 分解——将张量分解为具有紧凑向量的秩一张量分量——能够带来优于原始 NeRF 的效果。为了进一步提升性能，我们引入一种新颖的向量-矩阵（VM）分解，它放宽了张量两个模式的低秩约束，并将张量分解为紧凑的向量与矩阵因子。除了更优的渲染质量外，与之前和同期直接优化逐体素特征的工作相比，我们采用 CP 和 VM 分解的模型显著降低了内存占用。在实验中，我们证明采用 CP 分解的 TensoRF 实现了快速重建（<30 分钟），且具有比 NeRF 更好的渲染质量甚至更小的模型尺寸（<4 MB）。此外，采用 VM 分解的 TensoRF 进一步提升了渲染质量并优于以往最先进方法，同时将重建时间缩短至（<10 分钟）并保持了紧凑的模型尺寸（<75 MB）。
引用
@article{arxiv.2203.09517,
title = {TensoRF: Tensorial Radiance Fields},
author = {Anpei Chen and Zexiang Xu and Andreas Geiger and Jingyi Yu and Hao Su},
journal= {arXiv preprint arXiv:2203.09517},
year = {2022}
}
备注
Project Page: https://apchenstu.github.io/TensoRF/