ZeST-NeRF：利用时间聚合实现零样本时间 NeRF
计算机视觉与模式识别
2023-12-01 v1 人工智能
图形学
机器学习
摘要
在媒体制作领域，视频编辑技术起着关键作用。近期的方法在静态场景的新视角图像合成方面取得了巨大成功。但加入时间信息增加了一层额外的复杂性。以往的模型侧重于使用 NeRF 隐式表示静态与动态场景。这些模型取得了令人印象深刻的成果，但在训练和推理时计算代价高昂。它们将 MLP 过拟合以将场景隐式描述为位置的函数。本文提出 ZeST-NeRF，一种无需重新训练即可为新场景生成时间 NeRF 的新方法。我们仅使用不相关场景训练，便能利用多视角合成技术与场景流场估计准确重建新视角。我们展示了现有来自多个领域的最先进方法无法充分解决这一新任务，并证明了我们方案的有效性。所得网络在量化指标上提升 15%，并产生了显著更好的视觉效果。
引用
@article{arxiv.2311.18491,
title = {ZeST-NeRF: Using temporal aggregation for Zero-Shot Temporal NeRFs},
author = {Violeta Menéndez González and Andrew Gilbert and Graeme Phillipson and Stephen Jolly and Simon Hadfield},
journal= {arXiv preprint arXiv:2311.18491},
year = {2023}
}
备注
VUA BMVC 2023