TimeNeRF：从少样本输入视图构建跨时间的可泛化神经辐射场
计算机视觉与模式识别
2025-07-21 v1 多媒体
摘要
我们提出 TimeNeRF，一种可泛化的神经渲染方法，即使在输入视图很少的情况下，也能在任意视点和任意时间渲染新视图。对于现实应用而言，采集多视图代价高昂，且对未见场景重新优化效率低下。此外，随着数字领域（尤其是元宇宙）追求日益沉浸式的体验，对能够在昼夜之间自然过渡的 3D 环境进行建模的能力变得至关重要。尽管当前基于神经辐射场(NeRF)的技术在新视图合成方面表现出色，但对 NeRF 在时序 3D 场景建模方面的潜力探索仍然有限，且没有为此目的构建专用数据集。为此，我们的方法利用了多视图立体、神经辐射场以及跨不同数据集的解耦策略的优势。这赋予了我们模型在少样本设置下的泛化能力，使我们能够构建用于场景表示的隐式内容辐射场，并进一步能够在任意时间构建神经辐射场。最后，我们通过体渲染合成该时间的新视图。实验表明，TimeNeRF 能够在少样本设置下无需逐场景优化即可渲染新视图。最值得注意的是，它擅长创建在不同时间之间平滑过渡的逼真新视图，巧妙地捕捉从黎明到黄昏的复杂自然场景变化。
引用
@article{arxiv.2507.13929,
title = {TimeNeRF: Building Generalizable Neural Radiance Fields across Time from Few-Shot Input Views},
author = {Hsiang-Hui Hung and Huu-Phu Do and Yung-Hui Li and Ching-Chun Huang},
journal= {arXiv preprint arXiv:2507.13929},
year = {2025}
}
备注
Accepted by MM 2024