GeoTransfer：通过迁移学习实现可泛化的少样本多视图重建
原文中文，约300字，阅读约需1分钟。发表于：。该研究解决了稀疏输入下三维重建中细致几何细节捕捉不足和遮挡区域处理困难的问题。通过利用神经辐射场（NeRF）的高效特征转移，提出了一种新方法来学习准确的占据场，从而显著缩短训练时间，并在重建精度方面达到最先进的水平，尤其是在具有挑战性的稀疏输入数据和遮挡区域的场景中。
本文提出了一种新方法，用于从稀疏多视角图像重建三维场景和对象。该方法利用嵌入在多视角输入中的场景属性，创建精确的伪标签进行优化，无需先验训练。通过利用球谐函数预测场景中点的新辐射，综合考虑所有颜色观察结果，提高稀疏视图的表面重建准确性。方法在DTU和Blender数据集上取得优越结果，展示了其在解决稀疏视图重建问题方面的有效性。流程可集成到其他稀疏视图的隐式神经重建方法中。
