CombiNeRF: 一种结合正则化技术的少样本神经辐射场视角合成方法
内容提要
本文探讨了改进神经辐射场（NeRF）在少视角下表现的方法，包括几何感知一致性正则化、半监督学习和自我进化框架。这些方法通过优化训练策略和引入辅助损失，显著提升了视图合成质量。
延伸解读
少视角NeRF的核心挑战与正则化思路
在输入视图极少时，NeRF容易过拟合训练视角，导致新视角合成质量下降。本文汇总的多项工作表明，解决思路主要围绕正则化展开：通过几何感知一致性、深度监督、语义一致性等辅助损失，约束未观察视角的渲染结果，从而在稀疏输入下维持合理的几何与外观。这些方法不改变NeRF的基本框架，而是通过训练策略的优化来提升泛化能力。
半监督与自进化：利用未标注数据
SE-NeRF和SinNeRF代表了另一类思路：将少样本NeRF转化为半监督或自进化学习问题。SE-NeRF通过教师-学生框架生成射线级伪标签，SinNeRF则利用几何和语义标签指导单视图训练。这类方法的核心在于从少量标注数据中挖掘额外监督信号，但伪标签的可靠性是关键，需要设计筛选机制来避免错误累积。
关键光线选择与多阶段优化
KeyNeRF和Re-Nerfing从训练效率与场景覆盖角度切入。KeyNeRF通过相机级视图选择和像素级局部熵采样，聚焦于信息量大的光线；Re-Nerfing则通过多阶段合成新图像来扩大场景覆盖，增强几何一致性。这些方法对现有代码库改动较小，易于集成，但可能依赖特定的采样策略或阶段设计，实际效果需结合具体场景评估。
性能提升与评估基准
多项工作在DTU、NeRF Synthetic、LLFF等基准上验证了有效性。例如ConsistentNeRF报告了PSNR提升94%、SSIM提升76%、LPIPS提升31%的相对改进，FlipNeRF也取得了SOTA表现。这些指标表明正则化方法能显著改善稀疏视图重建，但需注意不同方法的实验设置和基线选择可能影响可比性，实际应用中应关注其泛化能力和计算开销。
Q&A
CombiNeRF 是什么？
CombiNeRF 是一种结合正则化技术的少样本神经辐射场视角合成方法，旨在改善 NeRF 在少视角下的表现。
几何感知一致性正则化如何提升 NeRF 的性能？
几何感知一致性正则化通过利用未观察视角的渲染深度图，鼓励几何一致性，从而提升 NeRF 的性能。
SE-NeRF 框架的主要特点是什么？
SE-NeRF 框架通过教师-学生模型生成伪标签，提升 NeRF 的三维场景几何学习能力。
SinNeRF 框架如何实现单视角下的训练？
SinNeRF 框架引入半监督学习，利用几何标签和语义标签指导训练，实现单视角下的神经辐射场训练。
FlipNeRF 的创新点是什么？
FlipNeRF 利用新颖的正则化方法和损失函数，改善输出的可靠性，取得了最先进的表现。
DietNeRF 如何提升视图合成质量？
DietNeRF 通过引入辅助语义一致性损失和使用预训练的视觉编码器，改善了少图像情况下的视图合成质量。
