基于适应性缩放的神经辐射场的玩具的3D重建
Jiajun Zou1, Shaojiang Liu1, Feng Wang1
1Department of Information and Intelligence Engineering, Guangzhou Xinhua University, Dongguan, Guangdong, China.
PeerJ. Computer science
|September 24, 2025
概括
本研究引入了一个自适应尺度神经辐射场 (AS-NeRF) 模型,用于从单个图像中准确的3D玩具重建. AS-NeRF显著提高了细节和颜色精度,超过了现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 三维重建的3D重建
- 人工智能的人工智能
背景情况:
- 玩具的单视图3D重建面临诸如细节丢失和色彩扭曲等挑战.
- 现有的方法在复杂的物体重建中难以获得准确性和现实性.
研究的目的:
- 提出一个自适应尺度神经辐射场 (AS-NeRF) 模型,以提高3D玩具重建的准确性和现实性.
- 为了解决单视图3D对象建模中的细节和颜色保真性的局限性.
主要方法:
- 使用Vision Transformer开发了一个多任务特征提取网络,用于多维特征融合 (纹理,形状,颜色,深度).
- 增强了神经辐射场 (NeRF) 模型,采用了适应性缩放机制,用于动态采样优化.
- 集成的光谱传感器用于准确的材料色彩再现和条件扩散模型,用于生成一致的几何结构.
主要成果:
- 在Co3D玩具数据集上,AS-NeRF表现优于主流方法.
- 在峰值信号与噪声比率 (PSNR),结构相似性 (SSIM),学习感知图像补丁相似性 (LPIPS) 和Chamfer距离方面观察到显著改善.
- 该模型实现了高质量的3D重建,增强了细节和现实的色彩再现.
结论:
- 拟议的AS-NeRF模型提供了一种有效和有利的方法,用于从单个视图中高质量的3D玩具重建.
- AS-NeRF有效地克服了与3D重建中的细节损失和颜色扭曲相关的挑战.
- 集成先进的人工智能技术,如视觉变压器和条件扩散模型,推动了3D对象建模的界限.
