VDN-NeRF：通过视角依赖归一化消解形状-辐射歧义
计算机视觉与模式识别
2023-04-03 v1
摘要
我们提出 VDN-NeRF，一种在非朗伯表面与动态光照条件下训练神经辐射场（NeRFs）以获取更优几何的方法，此类条件会导致同一点从不同角度观察时辐射发生显著变化。我们并未显式建模造成视角依赖现象的潜在因素（其可能复杂却不够完备），而是开发了一种简单有效的技术，通过蒸馏已学习 NeRFs 中编码的不变量信息来归一化视角依赖。随后我们将 NeRFs 的视角合成与视角依赖归一化联合训练，以获得高质量几何。实验表明，尽管形状-辐射歧义不可避免，所提归一化能最小化其对几何的影响，本质上对齐了解释视角依赖变化所需的最优容量。我们的方法适用于多种基线，且在不改变体渲染流程的情况下显著改善几何，即便数据是在移动光源下采集的。代码见：https://github.com/BoifZ/VDN-NeRF。
引用
@article{arxiv.2303.17968,
title = {VDN-NeRF: Resolving Shape-Radiance Ambiguity via View-Dependence Normalization},
author = {Bingfan Zhu and Yanchao Yang and Xulong Wang and Youyi Zheng and Leonidas Guibas},
journal= {arXiv preprint arXiv:2303.17968},
year = {2023}
}