論文の概要: Fast Learning Radiance Fields by Shooting Much Fewer Rays

• arxiv url: http://arxiv.org/abs/2208.06821v2
• Date: Thu, 6 Apr 2023 06:05:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 18:01:36.568026
• Title: Fast Learning Radiance Fields by Shooting Much Fewer Rays
• Title（参考訳）: 少ない光線を照射した高速学習放射場
• Authors: Wenyuan Zhang, Ruofan Xing, Yunfan Zeng, Yu-Shen Liu, Kanle Shi, Zhizhong Han
• Abstract要約: ほぼすべての放射場に基づく手法の学習手順を高速化するための一般的な戦略を導入する。 私たちのキーとなるアイデアは、マルチビューボリュームレンダリング手順において、はるかに少ない光線を照射することで、冗長性を減少させることです。 劇的な色変化を示す画素での撮影光は、トレーニング負担を著しく低減するだけでなく、学習した放射界の精度にもほとんど影響しないことがわかった。
• 参考スコア（独自算出の注目度）: 38.35636977084818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning radiance fields has shown remarkable results for novel view synthesis. The learning procedure usually costs lots of time, which motivates the latest methods to speed up the learning procedure by learning without neural networks or using more efficient data structures. However, these specially designed approaches do not work for most of radiance fields based methods. To resolve this issue, we introduce a general strategy to speed up the learning procedure for almost all radiance fields based methods. Our key idea is to reduce the redundancy by shooting much fewer rays in the multi-view volume rendering procedure which is the base for almost all radiance fields based methods. We find that shooting rays at pixels with dramatic color change not only significantly reduces the training burden but also barely affects the accuracy of the learned radiance fields. In addition, we also adaptively subdivide each view into a quadtree according to the average rendering error in each node in the tree, which makes us dynamically shoot more rays in more complex regions with larger rendering error. We evaluate our method with different radiance fields based methods under the widely used benchmarks. Experimental results show that our method achieves comparable accuracy to the state-of-the-art with much faster training.
• Abstract（参考訳）: 学習放射場は、新しいビュー合成において顕著な結果を示した。 学習手順は通常、多くの時間を要するため、ニューラルネットワークなしで学習したり、より効率的なデータ構造を使用して学習手順を高速化する最新の方法が動機となっている。 しかし、これらの特別に設計されたアプローチは、放射場に基づく手法のほとんどでは機能しない。 この問題を解決するため,ほぼすべての放射場に基づく手法の学習手順を高速化する一般戦略を導入する。 私たちの重要なアイデアは、ほぼすべてのラミアンスフィールドベースのメソッドの基礎となるマルチビューボリュームレンダリング手順において、より少ないレイを撮影することで冗長性を削減することです。 劇的な色変化を示す画素での撮影光は、トレーニング負担を著しく低減するだけでなく、学習した放射界の精度にもほとんど影響しない。 さらに、ツリーの各ノードにおける平均レンダリングエラーに応じて、各ビューをクワッドツリーに適応的に分割することで、より複雑な領域でより多くのレイを動的に撮影し、レンダリングエラーを大きくします。 本手法は,広く使用されているベンチマークで,異なる放射場に基づく手法を用いて評価する。 実験の結果,より高速にトレーニングすることで,最先端技術と同等の精度が得られることがわかった。

関連論文リスト

• Flash Cache: Reducing Bias in Radiance Cache Based Inverse Rendering [62.92985004295714]
  本稿では,レンダリングに偏りをもたらす近似を回避し,最適化に用いた勾配を求める手法を提案する。 これらのバイアスを除去することで、逆レンダリングに基づくレーダランスキャッシュの一般化が向上し、スペクトル反射のような光輸送効果に挑戦する際の品質が向上することを示す。
  論文  参考訳（メタデータ） (2024-09-09T17:59:57Z)
• 3D Gaussian Ray Tracing: Fast Tracing of Particle Scenes [50.36933474990516]
  本研究は, 粒子のトレーシング, 境界体積階層の構築, 高性能なレイトレーシングハードウェアを用いた各画素のレイキャストについて考察する。 半透明粒子の多量処理を効率的に行うために,有界メッシュで粒子をカプセル化するアルゴリズムについて述べる。 実験は、我々のアプローチの速度と精度、およびコンピュータグラフィックスとビジョンにおけるいくつかの応用を実証する。
  論文  参考訳（メタデータ） (2024-07-09T17:59:30Z)
• Simple-RF: Regularizing Sparse Input Radiance Fields with Simpler Solutions [5.699788926464751]
  ニューラル・ラジアンス・フィールド(NeRF)は、シーンのフォトリアリスティックなフリービューレンダリングにおいて印象的なパフォーマンスを示す。 TensoRFやZipNeRFといったNeRFの最近の改良は、最適化とレンダリングの高速化のために明示的なモデルを採用している。 放射場によって推定される深度を監督することは、より少ない視点で効果的に学習することに役立つことを示す。
  論文  参考訳（メタデータ） (2024-04-29T18:00:25Z)
• PyNeRF: Pyramidal Neural Radiance Fields [51.25406129834537]
  本研究では,異なる空間グリッド解像度でモデルヘッドを訓練することにより,グリッドモデルへの簡単な修正を提案する。 レンダリング時には、単に粗いグリッドを使用して、より大きなボリュームをカバーするサンプルをレンダリングします。 Mip-NeRFと比較して、60倍高速なトレーニングをしながらエラー率を20%削減する。
  論文  参考訳（メタデータ） (2023-11-30T23:52:46Z)
• Efficient Ray Sampling for Radiance Fields Reconstruction [4.004168836949491]
  レイサンプリング戦略は ネットワーク収束に大きな影響を与えます ニューラルレイディアンス場に対する新しいレイサンプリング手法を提案する。 提案手法は,公開ベンチマークデータセットにおける最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-29T18:11:32Z)
• Inverse Global Illumination using a Neural Radiometric Prior [26.29610954064107]
  グローバル照明を考慮に入れた逆レンダリング手法が普及しつつある。 本稿では,従来の微分可能経路トレーサに完全経路積分を構築するための簡易な方法として,ラジオメトリック先行手法を提案する。
  論文  参考訳（メタデータ） (2023-05-03T15:36:39Z)
• Photon Field Networks for Dynamic Real-Time Volumetric Global Illumination [33.489890950757975]
  我々は、間接的体積的大域照明の位相関数対応多光ニューラル表現を開発する。 我々は,視覚的品質,ノイズ,推論,レンダリング速度など,手法の性能の詳細な評価を行う。 結果は、レイマーチング、パストレース、光子マッピングと比較される。
  論文  参考訳（メタデータ） (2023-04-14T18:17:34Z)
• NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field Indirect Illumination [48.42173911185454]
  逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。 本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-29T12:05:19Z)
• Efficient Neural Radiance Fields with Learned Depth-Guided Sampling [43.79307270743013]
  本稿では,暗示放射場と暗示深度マップを組み合わせたハイブリッドシーン表現を提案する。 実験の結果,提案手法はDTU, Real Forward- facing および NeRF Synthetic データセット上での最先端性能を示すことがわかった。 また,動的人間パフォーマーの視点自由映像をリアルタイムに合成する方法について述べる。
  論文  参考訳（メタデータ） (2021-12-02T18:59:32Z)
• MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo [52.329580781898116]
  MVSNeRFは、ビュー合成のための神経放射場を効率的に再構築できる新しいニューラルレンダリング手法である。 高密度にキャプチャされた画像に対して,シーン毎の最適化を考慮に入れたニューラルネットワークの先行研究とは異なり,高速ネットワーク推論により,近傍の3つの入力ビューのみからラミアンスフィールドを再構成できる汎用ディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T13:15:23Z)

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。