NeRF de Cero Suposiciones Previas: Reconstrucción Recursiva de Campos de Radiación a partir de Imágenes sin Posición...

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.