ViewNeRF：基于类别级神经辐射场无监督视点估计
计算机视觉与模式识别
2022-12-02 v1
摘要
我们提出 ViewNeRF，一种基于神经辐射场（NeRF）的视点估计方法，该方法在训练过程中直接从图像学习预测类别级视点。虽然 NeRF 通常使用真实相机位姿进行训练，但已有多种扩展被提出以减少对这种昂贵监督的需求。然而，大多数这些方法在具有大幅相机运动的复杂设置中仍然表现不佳，并且局限于单一场景，即无法在描绘同一物体类别的场景集合上训练。为解决这些问题，我们的方法采用分析-合成方法，将条件 NeRF 与视点预测器和场景编码器相结合，以生成整个物体类别的自监督重建。我们的目标并非高保真重建，而是在复杂场景（例如真实数据上 360° 旋转）中实现高效且准确的视点预测。我们的模型在合成与真实数据集上均展现出有竞争力的结果，无论是单一场景还是多实例集合。
引用
@article{arxiv.2212.00436,
title = {ViewNeRF: Unsupervised Viewpoint Estimation Using Category-Level Neural Radiance Fields},
author = {Octave Mariotti and Oisin Mac Aodha and Hakan Bilen},
journal= {arXiv preprint arXiv:2212.00436},
year = {2022}
}