零姿势前的NeRF:从未放置和未排序的图像进行递归辐射场重建

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 机器学习 机器学习

背景情况:

• 神经辐射场 (NeRF) 需要精确的摄像头姿势来重建场景.
• 现有的无姿势NeRF方法难以处理复杂的场景和大量的摄像机动作.
• 对于当前的无位方法,往往需要先前的知识或合理的初始化.

研究的目的:

• 开发一种新的方法来从未设置和未排序的图像集合中恢复辐射场,而无需事先的知识.
• 为了解决摄像机在NeRF应用程序中构成依赖的关键障碍.
• 从具有挑战性的数据集中实现强大的场景重建和高保真性视图合成.

主要方法:

• 提出了Zero-Pose-Prior NeRF,将问题分解为自我启动的子问题.
• 实现了层次结构和本地到全球的注册顺序的场景分区.
• 设计了条件解的位置编码,用于姿势估计和场景表示.
• 开发了递归注册来估计局部姿势,并将它们统一成一个全球姿势空间.

主要成果:

• 在没有任何事先知识的情况下实现了准确的摄像头姿势估计.
• 从无定位和无序图像中证明了强大的辐射场重建.
• 在真实世界的场景上的实验中超越了最先进的无姿势方法.
• 启用了高保真视图合成,展示了改进的场景表示.

结论:

• 零姿势前的NeRF有效地从未摆设的图像集合中重建辐射场.
• 拟议的方法克服了现有的NeRF技术在复杂场景中的局限性.
• 这种方法显著提升了NeRF在现实世界应用的潜力,而无需提出先决意见.