CaesarNeRF：用于少样本通用神经渲染的校准语义表示
原文中文，约300字，阅读约需1分钟。发表于：。CaesarNeRF 是一种端到端方法，利用场景级别的语义表示和像素级表示，推动 few-shot、通用的神经渲染，在不损失高质量细节的情况下促进全面理解；CaesarNeRF 明确地建模参考视图的姿态差异，结合场景级别的语义表示，提供一个校准的全面理解，通过序贯细化来捕捉不同的细节。经过广泛实验证明 CaesarNeRF 在各种不同数量的参考视图上都能提供最先进的性能，即使只有一个参考图像也能有效。
本文提出了一种新的框架来规范化神经辐射场（NeRF）在几个样本设置中的应用，并通过渲染深度图和几何感知的一致性来实现NeRF的学习。同时，本文还提出了筛除错误变形解的方法和稳定训练优化的策略。实验证明，该模型在几个样本设置下具有竞争优势。
