ActiveNeRF: Learning Accurate 3D Geometry by Active Pattern Projection

NeRF在新视角合成方面取得了惊人的成功。然而，由于被动静态环境照明具有低空间频率，不能提供足够的信息进行准确的几何重建，因此隐式几何的精度令人不满意。在本研究中，我们提出了ActiveNeRF，一种三维几何重建框架，通过使用相对于相机具有恒定相对姿态的投影仪主动投射高空间频率的图案到场景中，从而改善了NeRF的几何质量。我们设计了一个可学习的主动图案渲染流程，共同学习场景几何和主动图案。我们发现，通过添加主动图案并在不同视角之间强制保持其一致性，我们提出的方法在模拟和实际实验中在定性和定量上均优于现有的几何重建方法。代码可在https://github.com/hcp16/active_nerf上获得。

论文旨在解决NeRF中几何形状的精度问题，通过主动投射高空间频率的图案来提高场景几何的质量。

通过使用相机和投影仪等设备，将高空间频率的图案投射到场景中，然后将这些信息与相机拍摄的图像一起输入到神经网络中，以提高场景几何的精度。

该论文的亮点包括：使用主动投影提高场景几何的精度；提出了一种可学习的主动图案渲染管道；在模拟和实际实验中，该方法在质量和数量上都优于现有的几何重建方法；代码已经公开。

与该论文相关的其他研究包括：NeRF、DeepSDF、IM-NET等。