SeamlessNeRF: Stitching Part NeRFs with Gradient Propagation

神经辐射场（NeRF）已经成为数字三维物体和场景的有前途的媒介，引发了对这一领域扩展编辑能力的研究激增。无缝编辑和合并多个NeRF的任务，类似于2D图像编辑中的“泊松融合”，仍然是现有工作中未被充分探索的关键操作。为了填补这一空白，我们提出了SeamlessNeRF，一种新颖的无缝外观混合多个NeRF的方法。具体而言，我们旨在优化目标辐射场的外观，以使其与源场的合并协调。我们提出了一个经过精心设计的混合优化过程，其受到以下约束：1）将辐射颜色固定在源场和目标场之间的相交边界区域，并且2）保持目标场的原始梯度。广泛的实验验证了我们的方法可以通过梯度有效地将源外观从边界区域传播到整个目标场。据我们所知，SeamlessNeRF是第一个将梯度引导的外观编辑引入辐射场的作品，为NeRF中表示的三维物体的无缝拼接提供了解决方案。

论文旨在解决NeRF的无缝融合问题，即如何优化目标辐射场的外观，以使其与源场融合无缝。这是一个新问题。

论文提出了SeamlessNeRF，一种新的方法来解决NeRF的无缝融合问题。该方法通过梯度引导外观编辑，将源场的外观从边界区域传播到整个目标场。

论文的实验结果表明，SeamlessNeRF可以有效地通过梯度将源场的外观从边界区域传播到整个目标场。此外，论文还提出了一种特定的优化过程来实现无缝融合，并采用了两个约束条件。论文使用了多个数据集进行实验，并且开源了代码。

近期的相关研究包括NeRF的扩展和改进，以及其他3D场景重建和编辑技术。例如，NeRF++，NeRF--，GRAF等。