ViP-NeRF：面向稀疏输入神经辐射场的可见性先验

神经辐射场（NeRF）通过编码场景的神经表示在视图合成中取得了令人印象深刻的性能。然而，NeRF 每场景需数百张图像以合成照片级真实新视图。以稀疏输入视图训练会导致过拟合与错误的场景深度估计，从而在新视图渲染中产生伪影。近期稀疏输入 NeRF 通过提供由预训练网络估计的稠密深度作为监督来正则化，以在稀疏深度约束上取得改进性能。但我们发现此类深度先验因泛化问题可能不准确。相反，我们假设不同输入视图中像素的可见性可更可靠地估计以提供稠密监督。对此，我们通过平面扫描体计算可见性先验，无需任何预训练。以可见性先验正则化 NeRF 训练，我们成功以少量输入视图训练 NeRF。我们重构 NeRF 使其也直接输出给定视点下 3D 点的可见性，以借可见性约束缩减训练时间。在多个数据集上，我们的模型优于包括使用学习先验的稀疏输入 NeRF 竞争模型。我们模型的源代码见于项目页：https://nagabhushansn95.github.io/publications/2023/ViP-NeRF.html。