Stable Surface Regularization for Fast Few-Shot NeRF

本文提出了一种用于在少样本情况下合成新视角的算法。其主要概念是开发一种稳定的表面正则化技术，称为退火有符号距离函数（ASDF），它以粗到细的方式调整表面，以加速收敛速度。我们观察到，广泛使用的几何正则化方法——Eikonal loss需要密集的训练信号来塑造SDF的不同级别集合，从而在少样本训练下产生低保真度的结果。相比之下，所提出的表面正则化成功地重建了场景，并产生了高保真度的几何形状，训练稳定。我们的方法通过利用网格表示和单目几何先验进一步加速。最后，所提出的方法比现有的少样本新视角合成方法快45倍，并在ScanNet数据集和NeRF-Real数据集中产生了可比较的结果。

本文旨在解决few-shot视角合成问题，即在少量数据的情况下合成新视角。

本文提出了一种稳定的表面正则化技术ASDF，通过粗到细的方式来退火表面，加速收敛速度。该方法成功地重建了场景并产生了高保真度的几何体。

本文采用了网格表示和单目几何先验来加速方法。实验表明，该方法比现有few-shot新视角合成方法快45倍，并在ScanNet和NeRF-Real数据集中产生了可比较的结果。

在这个领域中，最近的相关研究包括：Few-shot View Synthesis, Learning to Synthesize 3D Shapes via Modeling Multi-View Depth Maps and Silhouettes with Deep Generative Networks, DeepVoxels: Learning Persistent 3D Feature Embeddings.