.png){kind=icon}
返回
Hierarchical Bayesian Guided Spatial-, Angular- and Temporal-Consistent View Synthesis
.png){kind=icon}
PRE
AI
DOI：10.1109/TVCG.2025.3631702.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经辐射场（NeRF）因其精确的重建和快速推理能力而受到广泛关注，使其在虚拟现实和游戏应用中极具前景。然而，将NeRF的能力扩展到动态场景仍处于探索初期，尤其是在确保空间、时间和视角上的一致性与连贯性重建方面。为解决这一挑战，我们提出了Scale-NeRF，一种新颖的方法，该方法将动态NeRF的训练组织为基于分层贝叶斯理论的渐进式、尺度化精化过程。Scale-NeRF首先使用粗略、大尺度的帧重建辐射场，并逐步用更小尺度的帧进行迭代精化。这种分层策略结合相应的采样方法和新引入的结构损失，确保了重建过程中的整体一致性和完整性。在公开数据集上的实验验证了Scale-NeRF相较于传统方法的优越性，特别是在所提的评估空间、角度和时序一致性的指标上。此外，Scale-NeRF展示了出色的动态重建能力与实时渲染性能，为同时要求高保真度和实时性能的应用提供了显著进展。
Keyword:
Dynamic NeRF
inconsistent reconstruction
hierarchical bayesian theory
structural loss
consistent metrics
期刊
IF:
6.5
论文数:
353
被引数:
2.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容