中文标题：基于射线熵最小化的少视角神经辐射场
创新点
- 通过对每条射线密度施加熵约束来最小化稀疏视角带来的潜在重建不一致性。
- 此外，为了缓解所有训练图像都是从几乎冗余的视点获取时潜在的退化问题，我们进一步将空间平滑性约束纳入到估计的图像中，通过限制从具有略微不同的视点的额外光线中获得的信息。
提出的方法
通过射线熵最小实现正则
- 归一化射线密度公式， α i \alpha_i αi 是射线不透明度
- 射线熵：定义一个离散射线密度函数的熵
论文阅读：InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering中文标题：基于射线熵最小化的少视角神经辐射场 - R s 与 R u R_s与R_u Rs与Ru代表seen与unseen视角下的射线集。
- 忽略非命中射线：射线熵最小化的一个问题是，虽然一些射线没有击中场景中的任何物体，但它们必须具有低熵。为了防止这个问题引起的潜在伪影，我们简单地忽略了低密度射线的熵最小化。
论文阅读：InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering中文标题：基于射线熵最小化的少视角神经辐射场 - 射线熵损失
- 模型无法使用来自看不见图像的光线，而模型可以利用它们，因为熵正则化不需要基本真相。
正则信息增益减少
- 使用KL散度约束相近的条射线之间的密度。
论文阅读：InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering中文标题：基于射线熵最小化的少视角神经辐射场
参考文献
[1] Kim M, Seo S, Han B. Infonerf: Ray entropy minimization for few-shot neural volume rendering[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 12912-12921.