Spectral-Geometric Neural Fields for Pose-Free LiDAR View Synthesis

📄 arXiv: 2603.12903v1 📥 PDF

作者: Yinuo Jiang, Jun Cheng, Yiran Wang, Cheng Cheng

分类: cs.CV

发布日期: 2026-03-13

备注: Accepted by CVPR 2026

💡 一句话要点

提出SG-NLF，一种无位姿的LiDAR神经场方法，用于高质量视角合成。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)

关键词: LiDAR视角合成 神经辐射场 无位姿重建 频谱分析 几何一致性 对抗学习 三维重建

📋 核心要点

  1. 现有LiDAR NeRF方法依赖精确位姿，且LiDAR数据稀疏无纹理，导致重建几何体存在空洞和不连续。
  2. SG-NLF通过融合频谱信息和几何一致性，提出一种无位姿的LiDAR NeRF框架，重建平滑几何体。
  3. 实验表明，SG-NLF在重建质量和位姿精度上显著优于现有方法，尤其在低频场景下提升明显。

📝 摘要（中文）

神经辐射场(NeRF)在图像新视角合成(NVS)方面取得了显著成功，并启发了LiDAR NVS的扩展。然而，大多数方法严重依赖于精确的相机位姿进行场景重建。LiDAR数据的稀疏性和无纹理特性也带来了独特的挑战，导致几何空洞和不连续表面。为了解决这些问题，我们提出了一种无位姿的LiDAR NeRF框架SG-NLF，该框架集成了频谱信息和几何一致性。具体来说，我们设计了一种基于频谱先验的混合表示来重建平滑几何体。对于位姿优化，我们构建了一个基于特征兼容性的置信度感知图来实现全局对齐。此外，引入了一种对抗学习策略来强制执行跨帧一致性，从而提高重建质量。综合实验表明了我们框架的有效性，尤其是在具有挑战性的低频场景中。与之前的最先进方法相比，SG-NLF将重建质量和位姿精度提高了35.8%和68.8%以上。我们的工作可以为LiDAR视角合成提供一种新的视角。

🔬 方法详解

问题定义：论文旨在解决LiDAR视角合成中，由于数据稀疏性和无纹理特性，以及现有方法对精确位姿的依赖，导致重建质量差的问题。现有方法难以处理几何空洞和不连续表面，尤其是在缺乏纹理信息的区域。

核心思路：论文的核心思路是利用频谱先验来指导几何重建，并结合特征兼容性进行位姿优化。通过频谱分析，可以提取场景的低频信息，从而平滑几何表面，减少空洞。同时，通过构建置信度感知图，实现全局位姿对齐，避免局部误差累积。

技术框架：SG-NLF框架主要包含三个模块：1) 基于频谱先验的混合表示，用于重建平滑几何体；2) 基于特征兼容性的置信度感知图，用于位姿优化；3) 对抗学习策略，用于增强跨帧一致性。整体流程是，首先利用频谱先验进行初始几何重建，然后通过置信度感知图进行位姿优化，最后通过对抗学习进一步提升重建质量。

关键创新：论文的关键创新在于将频谱信息引入LiDAR NeRF，并设计了一种混合表示方法，能够有效地利用频谱先验来重建平滑几何体。此外，置信度感知图的构建和对抗学习策略的引入，也显著提升了位姿精度和重建质量。与现有方法相比，SG-NLF无需精确位姿，且能更好地处理LiDAR数据的稀疏性和无纹理特性。

关键设计：论文的关键设计包括：1) 频谱先验的选取和融合方式；2) 置信度感知图中特征兼容性的度量方法和置信度估计策略；3) 对抗学习中判别器的设计和损失函数的选择。具体而言，频谱先验可能采用了傅里叶变换或小波变换等方法，置信度感知图可能使用了图神经网络进行优化，对抗学习可能采用了Wasserstein GAN等变体。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SG-NLF在重建质量和位姿精度上显著优于现有方法。具体而言，SG-NLF将重建质量提高了35.8%以上，位姿精度提高了68.8%以上。尤其是在具有挑战性的低频场景中，SG-NLF的性能提升更为明显。这些结果验证了SG-NLF框架的有效性和优越性。

🎯 应用场景

该研究成果可应用于自动驾驶、机器人导航、三维地图重建等领域。在自动驾驶中，可以利用该方法合成不同视角的LiDAR数据，增强感知系统的鲁棒性。在机器人导航中，可以用于构建高精度的三维地图，提高导航精度。此外，该方法还可以应用于城市建模、虚拟现实等领域，具有广泛的应用前景。

📄 摘要（原文）

Neural Radiance Fields (NeRF) have shown remarkable success in image novel view synthesis (NVS), inspiring extensions to LiDAR NVS. However, most methods heavily rely on accurate camera poses for scene reconstruction. The sparsity and textureless nature of LiDAR data also present distinct challenges, leading to geometric holes and discontinuous surfaces. To address these issues, we propose SG-NLF, a pose-free LiDAR NeRF framework that integrates spectral information with geometric consistency. Specifically, we design a hybrid representation based on spectral priors to reconstruct smooth geometry. For pose optimization, we construct a confidence-aware graph based on feature compatibility to achieve global alignment. In addition, an adversarial learning strategy is introduced to enforce cross-frame consistency, thereby enhancing reconstruction quality. Comprehensive experiments demonstrate the effectiveness of our framework, especially in challenging low-frequency scenarios. Compared to previous state-of-the-art methods, SG-NLF improves reconstruction quality and pose accuracy by over 35.8% and 68.8%. Our work can provide a novel perspective for LiDAR view synthesis.