Zip-NeRF: Anti-Aliased Grid-Based Neural Radiance Fields

Google Research

Jonathan T. Barron, Ben Mildenhall, Dor Verbin, Pratul P. Srinivasan, Peter Hedman

一作Jonathan T. Barron在加州大学伯克利分校攻读博士学位，在那里得到了Jitendra Malik的建议，并得到了NSF GRFP的资助。获得C.V.Ramamoorthy杰出研究奖和PAMI青年研究员奖。

Zip-NeRF: 基于抗锯齿网格的神经辐射场

要点:

  • 动机：当前使用网格表示的NeRF模型在细节处理上存在缺陷，容易出现锯齿问题，希望结合其他技术解决这一问题。
  • 方法：将mip-NeRF 360中的抗锯齿方法与Instant NGP的基于网格模型结合，使用多采样、统计学和信号处理等技术，提出了一种名为Zip-NeRF的新模型。
  • 优势：Zip-NeRF不仅能解决锯齿问题，而且速度快、准确性高，与之前的mip-NeRF 360相比，错误率降低了8%-76%之间，训练速度快了22倍。

一句话总结:
提出一种新的快速神经辐射场训练方法Zip-NeRF，通过结合网格和多采样技术，能更好地解决现有方法存在的锯齿状失真问题，同时训练速度快于之前的最优方法mip-NeRF 360。

https://arxiv.org/abs/2304.06706 

内容中包含的图片若涉及版权问题，请及时与我们联系删除