机构名称：
¥ 1.0
从神经辐射场中提取固有组件（例如重新传播和阴影）的任务越来越感兴趣。然而，当前方法在合成场景和孤立的对象上很大程度上有效，忽视了具有背景的真实场景的复杂性。为了弥补这一差距，我们的研究引入了一种与内在分解相关的方法。通过杠杆式的灯光变化，以生成伪标签，我们的方法为固有分解提供了指导，并需要地面真相数据。我们的方法以物理约束为基础，可确保各种场景类型的鲁棒性，并减少对预先训练的模型或手工制作的先验的依赖。我们在合成和现实世界数据集上验证了我们的方法，从而实现了令人信服的重新研究。此外，我们的方法对图像编辑任务的适用性展示了有希望的结果。
在神经辐射场中学习重新分解和内在分解
主要关键词
相关文件推荐
