【伯克利博士论文】基于神经辐射场的目标和场景重建,117页pdf

这篇博士论文探索了通过优化体积场景函数使用稀疏输入视图合成复杂场景的新视图。我们的方法将场景表示为神经辐射场(NeRF)，这是一个基于5D坐标的密度和辐射场，包括空间位置(x, y, z)和观察方向(✓, )。NeRF使得渲染超越以往技术的逼真的新视图成为可能，引发了计算机视觉和图形社区的众多后续研究和扩展。为了增强NeRFs中高频细节的表示，我们引入了一种傅里叶特征映射技术，有效地在低维问题域中学习高频函数，包括NeRF。我们通过标准的元学习算法演示了利用学习到的初始权重参数的好处，导致了坐标基网络的加速收敛、更强的先验和改善的泛化。此外，我们通过一种能够表示任意大场景的提议方法改善了NeRFs的可扩展性。这种方法使得能够使用在多种环境条件下捕获的数据进行城市规模的重建。最后，我们介绍了Nerfstudio框架，这是一套为开发和部署基于NeRF的方法而设计的全面的模块化组件和工具。这个框架赋予了研究者和实践者实时可视化、流线化的数据管道和导出能力，促进了NeRFs的民主化，并扩大了它们在研究环境之外的影响。随着它们改变计算机图形、虚拟现实、增强现实和其他领域的潜力，NeRFs有望革新我们感知和互动的数字世界的方式。