.png){kind=icon}
.png){kind=icon}
返回
Self-supervised Video Depth Adaptation for Efficient Sparse-view NeRF
.png){kind=icon}
PRE
AI
DOI：10.1007/s11633-025-1592-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度先验对于保持新视角合成中的精确几何形状至关重要，尤其是在输入视角稀疏且场景复杂和房间尺度的情况下。然而，在这种情况下获取可靠的深度仍然是一个重大挑战。在这项工作中，我们提出了一种新颖的方法，即自监督地将预训练的视频深度估计网络适应到每个特定场景。这种场景特定的适应使得即使在极端视角稀疏的情况下也能实现高保真度深度估计。利用这些准确的深度先验，我们提出了一种具有密度自校正机制的高效两阶段NeRF训练管道，该机制可以减轻深度误差的影响，而无需依赖显式的不确定性建模。我们的方法不仅增强了稀疏视角设置下的合成质量，还显著加速了神经辐射场（NeRF）的训练，在保真度和效率方面均优于现有方法。
Keyword:
Video depth adaptation
self-supervised learning
novel view synthesis
neural radiance fields
sparse views
期刊
IF:
8.7
论文数:
301
被引数:
882