GeoNLF: Geometry guided Pose-Free Neural LiDAR Fields

尽管最近的工作将神经辐射场（NeRF）扩展到了LiDAR点云合成，但现有大部分工作都强烈依赖预先计算的姿态。然而，点云配准方法难以实现精确的全局姿态估计，而之前的无姿态NeRF忽略了全局重建中的几何一致性。鉴于此，我们探索了点云的几何见解，这为重建提供了显式的配准先验。基于此，我们提出了几何引导的神经LiDAR场（GeoNLF），这是一个混合框架，交替进行全局神经重建和纯几何姿态优化。此外，NeRF往往会过度拟合单个帧，并在稀疏视图输入下容易陷入局部最小值。为了解决这个问题，我们开发了一种选择性重新加权策略，并引入几何约束进行稳健优化。在NuScenes和KITTI-360数据集上进行的大量实验表明，GeoNLF在低频大规模点云的新视图合成和多视图配准方面具有优越性。

本论文旨在解决点云合成中预先计算姿态的依赖性问题以及NeRF在稀疏视角输入下易于过拟合的问题。

GeoNLF是一个混合框架，交替进行全局神经重建和纯几何姿态优化，利用点云提供的显式注册先验进行重建，并引入几何约束进行鲁棒优化。

GeoNLF在NuScenes和KITTI-360数据集上进行了广泛实验，证明了其在新视角合成和低频大规模点云的多视角注册方面的优越性。

与本文相关的研究包括NeRF和LiDAR点云合成的扩展，以及点云配准方法的研究。