NeRF de Cero Suposiciones Previas: Reconstrucción Recursiva de Campos de Radiación a partir de Imágenes sin Posición y Desordenadas | JoVE Visualize

Área de la Ciencia:

Visión por Computadora
Gráficos por Computadora
Aprendizaje Automático

Sus antecedentes:

Los Campos de Radiación Neuronal (NeRF) requieren poses de cámara precisas para la reconstrucción de escenas.
Los métodos existentes para NeRF sin pose luchan con escenas complejas y grandes movimientos de cámara.
A menudo se necesita conocimiento previo o una inicialización razonable para los enfoques actuales sin pose.

Objetivo del estudio:

Desarrollar un método novedoso para recuperar campos de radiación de colecciones de imágenes sin posición y desordenadas sin conocimiento previo.
Abordar el obstáculo crítico de la dependencia de la pose de la cámara en las aplicaciones de NeRF.
Permitir la reconstrucción robusta de escenas y la síntesis de vistas de alta fidelidad a partir de conjuntos de datos desafiantes.

Principales métodos:

Se propuso NeRF de Cero Suposiciones Previas, descomponiendo el problema en subproblemas de auto-arranque.
Se implementó la partición de escenas para la estructura jerárquica y el orden de registro de local a global.
Se ideó una codificación posicional condicionalmente desacoplada para la estimación de pose y la representación de la escena.
Se desarrolló el registro recursivo para estimar poses locales y unificarlas en un espacio de pose global.

Principales resultados:

Se logró una estimación precisa de la pose de la cámara sin ningún conocimiento previo.
Se demostró una reconstrucción robusta del campo de radiación a partir de imágenes sin posición y desordenadas.
Se superaron los métodos de última generación sin pose en experimentos en escenas del mundo real.
Se permitió la síntesis de vistas de alta fidelidad, mostrando una representación mejorada de la escena.

Conclusiones:

NeRF de Cero Suposiciones Previas reconstruye eficazmente campos de radiación a partir de colecciones de imágenes sin posición.
El método propuesto supera las limitaciones de las técnicas NeRF existentes en escenarios complejos.
Este enfoque avanza significativamente el potencial para aplicaciones en el mundo real de NeRF sin poses previas.