論文の概要: Exact-NeRF: An Exploration of a Precise Volumetric Parameterization for
Neural Radiance Fields
- arxiv url: http://arxiv.org/abs/2211.12285v2
- Date: Sat, 25 Mar 2023 20:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 01:42:47.277833
- Title: Exact-NeRF: An Exploration of a Precise Volumetric Parameterization for
Neural Radiance Fields
- Title（参考訳）: Exact-NeRF:ニューラルラジアンス場のための精密体積パラメタライゼーションの探索
- Authors: Brian K. S. Isaac-Medina, Chris G. Willcocks, Toby P. Breckon
- Abstract要約: 本論文は、mip-NeRF近似に対する正確な解析解を提供するための最初のアプローチである。
このような正確な定式化は、mip-NeRFの精度と一致し、さらに、さらなる修正を伴わずに、より困難なシナリオへの自然な拡張を提供することを示す。
我々の貢献は、初期のNeRF研究におけるフラストタル近似の未解明問題に対処することと、将来のNeRF拡張における解析的解決の可能性についての洞察を提供することである。
- 参考スコア（独自算出の注目度）: 16.870604081967866
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Neural Radiance Fields (NeRF) have attracted significant attention due to
their ability to synthesize novel scene views with great accuracy. However,
inherent to their underlying formulation, the sampling of points along a ray
with zero width may result in ambiguous representations that lead to further
rendering artifacts such as aliasing in the final scene. To address this issue,
the recent variant mip-NeRF proposes an Integrated Positional Encoding (IPE)
based on a conical view frustum. Although this is expressed with an integral
formulation, mip-NeRF instead approximates this integral as the expected value
of a multivariate Gaussian distribution. This approximation is reliable for
short frustums but degrades with highly elongated regions, which arises when
dealing with distant scene objects under a larger depth of field. In this
paper, we explore the use of an exact approach for calculating the IPE by using
a pyramid-based integral formulation instead of an approximated conical-based
one. We denote this formulation as Exact-NeRF and contribute the first approach
to offer a precise analytical solution to the IPE within the NeRF domain. Our
exploratory work illustrates that such an exact formulation Exact-NeRF matches
the accuracy of mip-NeRF and furthermore provides a natural extension to more
challenging scenarios without further modification, such as in the case of
unbounded scenes. Our contribution aims to both address the hitherto unexplored
issues of frustum approximation in earlier NeRF work and additionally provide
insight into the potential future consideration of analytical solutions in
future NeRF extensions.
- Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は,新しいシーンビューを高精度に合成する能力によって注目されている。
しかしながら、その基礎となる定式化に固有の点のサンプリングは、最終シーンにおけるエイリアシングのようなさらなる描画成果をもたらす曖昧な表現をもたらす可能性がある。
この問題に対処するため、近年のmip-NeRFは円錐型ビューフラストラムに基づく統合的位置エンコーディング(IPE)を提案する。
これは積分定式化で表されるが、mip-NeRF はこの積分を多変量ガウス分布の期待値として近似する。
この近似は短いフラストラムに信頼性があるが、遠距離のシーンオブジェクトを被写界深度で扱う際に発生する、非常に長い領域で劣化する。
本稿では,近似円錐型ではなくピラミッド型積分定式化を用いて,IPEの正確な計算手法について検討する。
我々は、この定式化をExact-NeRFと表現し、NeRF領域内のIPEに正確な解析解を提供するための最初のアプローチに貢献する。
このような正確な定式化の正確なナーフがmip-nerfの正確さに合致していることを示し,さらに,境界のないシーンの場合など,さらに修正を加えることなく,より困難なシナリオへの自然な拡張を提供する。
我々の貢献は、初期のNeRF研究におけるフラストタル近似の未解明問題に対処することと、将来のNeRF拡張における解析的解決の可能性についての洞察を提供することである。
関連論文リスト
- SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。
新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。
モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
論文 参考訳（メタデータ） (2024-04-01T08:37:57Z) - ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。
我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
論文 参考訳（メタデータ） (2024-01-16T06:19:18Z) - Where and How: Mitigating Confusion in Neural Radiance Fields from
Sparse Inputs [22.9859132310377]
本稿では,新たな学習フレームワークであるWaH-NeRFについて述べる。
ポーズ摂動に基づく半教師付きNeRF学習パラダイムと、予測混乱を軽減するためのPixel-Patch対応損失を提案する。
論文 参考訳（メタデータ） (2023-08-05T15:59:15Z) - Self-NeRF: A Self-Training Pipeline for Few-Shot Neural Radiance Fields [17.725937326348994]
入力ビューの少ない放射場を反復的に洗練する自己進化型NeRFであるSelf-NeRFを提案する。
各イテレーションでは、予測された色や、前回のイテレーションからモデルが生成した歪んだピクセルで、目に見えないビューをラベル付けします。
これらの拡張された擬似ビューは、NeRFの性能を低下させる色やワープアーティファクトのインプレクションによって悩まされる。
論文 参考訳（メタデータ） (2023-03-10T08:22:36Z) - SiNeRF: Sinusoidal Neural Radiance Fields for Joint Pose Estimation and
Scene Reconstruction [147.9379707578091]
NeRFmmは、共同最適化タスクを扱うNeRF(Neural Radiance Fields)である。
NeRFmmは正確なシーン合成とポーズ推定を行うが、難しいシーンで完全に注釈付けされたベースラインを上回るのに苦戦している。
放射光マッピングにおける正弦波活性化を利用する正弦波ニューラルレイディアンス場(SiNeRF)と、効率よく光束を選択するための新しい混合領域サンプリング(MRS)を提案する。
論文 参考訳（メタデータ） (2022-10-10T10:47:51Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳（メタデータ） (2022-09-02T17:44:50Z) - Sampling-free obstacle gradients and reactive planning in Neural
Radiance Fields (NeRF) [43.33810082237658]
予め訓練したNeRFに半径の占有率を推定する能力を加えることで、ユークリッド符号距離場(ESDF)への近似を効果的に学習していることが示される。
この結果から,暗黙的表現におけるサンプリング不要な障害物回避計画が極めて高速であることが示唆された。
論文 参考訳（メタデータ） (2022-05-03T09:32:02Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - Stochastic Neural Radiance Fields:Quantifying Uncertainty in Implicit 3D
Representations [19.6329380710514]
不確かさの定量化は機械学習における長年の問題である。
本稿では,このシーンをモデル化するすべての可能なフィールドの確率分布を学習する標準NeRFの一般化であるNeural Radiance Fields (S-NeRF)を提案する。
S-NeRFは、他の領域における不確実性推定のために提案された一般的なアプローチよりも、より信頼性の高い予測と信頼性値を提供することができる。
論文 参考訳（メタデータ） (2021-09-05T16:56:43Z) - 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)
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。