.png){kind=icon}
返回
TayloRF: Approximate Volume Integral Using Explicit Polynomials Representation
.png){kind=icon}
PRE
AI
DOI：10.1109/tvcg.2026.3717796.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（NeRFs）因其能够从多视角图像中合成逼真的新视图而受到广泛关注。它将光线的连续积分近似为采样点估计颜色和密度的有限黎曼和。尽管这实现了高效渲染，但使用分段常量特征来近似不同方向和间隔长度下的发散积分，并未考虑积分区间内的高阶变化，导致表示模糊和重建质量受限。本文提出使用由空间梯度参数化的显式泰勒类多项式来建模每个区间内的分布。这些多项式编码积分的长度和方向信息，有助于消除区间分布的歧义并减轻体渲染中的积分近似误差。我们的框架包含一个可学习的梯度估计器，通过区间边界损失进行正则化以确保数值一致性和平滑性，同时包含一个自适应区间缩放模块以增强稳定性并处理不同区间大小。我们提出的方法易于与现有的基于NeRF的渲染框架集成。在合成和真实场景上的实验结果表明，我们的方法显著提升了各种NeRF模型的渲染质量，实现了最先进的性能。
Keyword:
Neural radiance fields
volume rendering
integral approximation
Taylor expansion
polynomials representation
期刊
IF:
6.5
论文数:
337
被引数:
2.2W
机构
引用论文
暂无论文信息