論文の概要: R2L: Distilling Neural Radiance Field to Neural Light Field for Efficient Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2203.17261v1
• Date: Thu, 31 Mar 2022 17:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 13:21:46.684367
• Title: R2L: Distilling Neural Radiance Field to Neural Light Field for Efficient Novel View Synthesis
• Title（参考訳）: R2L: 効率的な新しい視点合成のためのニューラル光場への蒸留ニューラルラジアンス場
• Authors: Huan Wang, Jian Ren, Zeng Huang, Kyle Olszewski, Menglei Chai, Yun Fu, Sergey Tulyakov
• Abstract要約: 一つのピクセルをレンダリングするには、数百回もNeural Radiance Fieldネットワークに問い合わせる必要がある。 NeLFは、新しい視点において、NeRFに対してより直接的な表現を提示する。 ディープNeLFネットワークをうまく学習する鍵は、十分なデータを持つことである。
• 参考スコア（独自算出の注目度）: 76.07010495581535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research explosion on Neural Radiance Field (NeRF) shows the encouraging potential to represent complex scenes with neural networks. One major drawback of NeRF is its prohibitive inference time: Rendering a single pixel requires querying the NeRF network hundreds of times. To resolve it, existing efforts mainly attempt to reduce the number of required sampled points. However, the problem of iterative sampling still exists. On the other hand, Neural Light Field (NeLF) presents a more straightforward representation over NeRF in novel view synthesis -- the rendering of a pixel amounts to one single forward pass without ray-marching. In this work, we present a deep residual MLP network (88 layers) to effectively learn the light field. We show the key to successfully learning such a deep NeLF network is to have sufficient data, for which we transfer the knowledge from a pre-trained NeRF model via data distillation. Extensive experiments on both synthetic and real-world scenes show the merits of our method over other counterpart algorithms. On the synthetic scenes, we achieve 26-35x FLOPs reduction (per camera ray) and 28-31x runtime speedup, meanwhile delivering significantly better (1.4-2.8 dB average PSNR improvement) rendering quality than NeRF without any customized implementation tricks.
• Abstract（参考訳）: 最近のneural radiance field(nerf)の研究は、ニューラルネットワークで複雑なシーンを表現できる可能性を示している。 一つのピクセルをレンダリングするには、NeRFネットワークを何百回もクエリする必要がある。 これを解決するため、既存の取り組みは主に必要なサンプリングポイントの数を減らそうとしている。 しかし、反復サンプリングの問題はまだ残っている。 一方、neural light field(nelf)は、新しいビュー合成において、nerfよりも分かりやすい表現を示す -- ピクセルのレンダリングは、レイマーチングなしで1つのフォワードパスに等しい。 そこで本研究では,光場を効果的に学習するためのMLPネットワーク(88層)を提案する。 このような深層nelfネットワークをうまく学習するための鍵は十分なデータを持つことであり、データ蒸留によって事前学習したnerfモデルから知識を転送することである。 合成シーンと実世界のシーンの両方における大規模な実験は、我々の手法が他のアルゴリズムよりも有益であることを示す。 合成シーンでは、26-35x FLOPsの削減(カメラ1枚あたり)と28-31xのランタイム高速化を実現し、また、カスタマイズされた実装トリックなしで、NeRFよりもはるかに優れた(1.4-2.8dB平均PSNR改善)レンダリング品質を実現した。

関連論文リスト

• SinNeRF: Training Neural Radiance Fields on Complex Scenes from a Single Image [85.43496313628943]
  本稿では,一眼レフ(SinNeRF)フレームワークについて述べる。 SinNeRFは半教師付き学習プロセスを構築し,幾何学的擬似ラベルを導入・伝播する。 NeRF合成データセット、Local Light Field Fusionデータセット、DTUデータセットなど、複雑なシーンベンチマークで実験が行われる。
  論文  参考訳（メタデータ） (2022-04-02T19:32:42Z)
• NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
  主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。 提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
  論文  参考訳（メタデータ） (2021-12-03T07:33:47Z)
• NeuSample: Neural Sample Field for Efficient View Synthesis [129.10351459066501]
  本稿では,ニューラルサンプル場を命名する軽量モジュールを提案する。 提案したサンプルフィールドは、線をサンプル分布にマッピングし、点座標に変換し、ボリュームレンダリングのために放射場に供給することができる。 我々はNeuSampleが高速な推論速度を保ちながら、NeRFよりも優れたレンダリング品質を実現することを示す。
  論文  参考訳（メタデータ） (2021-11-30T16:43:49Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• Recursive-NeRF: An Efficient and Dynamically Growing NeRF [34.768382663711705]
  Recursive-NeRFは、NeRF(Neural Radiance Field)法の効率的なレンダリングおよびトレーニング手法である。 Recursive-NeRFはクエリ座標の不確かさを学習し、予測色の品質と各レベルの体積強度を表す。 3つの公開データセットについて評価したところ, 再帰型NeRFは, 最先端の品質を提供しながら, NeRFよりも効率的であることがわかった。
  論文  参考訳（メタデータ） (2021-05-19T12:51:54Z)
• Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields [45.84983186882732]
  mip-NeRF"("mipmap")は、NeRFを拡張してシーンを継続的に価値あるスケールで表現します。 mip-NeRFは、光線の代わりにアンチエイリアスコニカルフラストを効率的にレンダリングすることで、不快なエイリアスアーティファクトを低減します。 NeRFと比較して、mip-NeRFはNeRFで提示されたデータセットでは平均エラー率を16%、そのデータセットでは60%削減する。
  論文  参考訳（メタデータ） (2021-03-24T18:02:11Z)
• DONeRF: Towards Real-Time Rendering of Neural Radiance Fields using Depth Oracle Networks [6.2444658061424665]
  DONeRFは、深度オラクルネットワークを第1ステップとし、局所サンプルシェーディングネットワークを光線蓄積用に設計した二重ネットワークである。 我々は1つのGPU上で、レイマーチベースのニューラル表現をインタラクティブなフレームレート(毎秒15フレーム、800x800)でレンダリングした最初の人です。
  論文  参考訳（メタデータ） (2021-03-04T18:55:09Z)
• iNeRF: Inverting Neural Radiance Fields for Pose Estimation [68.91325516370013]
  Neural RadianceField(NeRF)を「反転」してメッシュフリーポーズ推定を行うフレームワークiNeRFを紹介します。 NeRFはビュー合成のタスクに極めて有効であることが示されている。
  論文  参考訳（メタデータ） (2020-12-10T18:36:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。