Fugu-MT 論文翻訳(概要): Dehazing-NeRF: Neural Radiance Fields from Hazy Images

論文の概要: Dehazing-NeRF: Neural Radiance Fields from Hazy Images

arxiv url: http://arxiv.org/abs/2304.11448v1
Date: Sat, 22 Apr 2023 17:09:05 GMT
ステータス: 処理完了
システム内更新日: 2023-04-25 18:19:59.844359
Title: Dehazing-NeRF: Neural Radiance Fields from Hazy Images
Title（参考訳）: Dehazing-NeRF: ヘイズ画像からのニューラルラジアンス場
Authors: Tian Li, LU Li, Wei Wang, Zhangchi Feng
Abstract要約: 画像入力からNRFを除去する手法であるDehazing-NeRFを提案する。本研究では,大気散乱モデルを用いて,ハズ画像の物理像化過程をシミュレートする。画像のデハージングと新しいビュー合成の両方において、単一像のデハージングとNeRFの単純な組み合わせよりも優れる。
参考スコア（独自算出の注目度）: 13.92247691561793
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural Radiance Field (NeRF) has received much attention in recent years due to the impressively high quality in 3D scene reconstruction and novel view synthesis. However, image degradation caused by the scattering of atmospheric light and object light by particles in the atmosphere can significantly decrease the reconstruction quality when shooting scenes in hazy conditions. To address this issue, we propose Dehazing-NeRF, a method that can recover clear NeRF from hazy image inputs. Our method simulates the physical imaging process of hazy images using an atmospheric scattering model, and jointly learns the atmospheric scattering model and a clean NeRF model for both image dehazing and novel view synthesis. Different from previous approaches, Dehazing-NeRF is an unsupervised method with only hazy images as the input, and also does not rely on hand-designed dehazing priors. By jointly combining the depth estimated from the NeRF 3D scene with the atmospheric scattering model, our proposed model breaks through the ill-posed problem of single-image dehazing while maintaining geometric consistency. Besides, to alleviate the degradation of image quality caused by information loss, soft margin consistency regularization, as well as atmospheric consistency and contrast discriminative loss, are addressed during the model training process. Extensive experiments demonstrate that our method outperforms the simple combination of single-image dehazing and NeRF on both image dehazing and novel view image synthesis.
Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は近年,3Dシーンの再現や新しいビュー・シンセサイザーの大幅な品質向上により注目されている。しかし, 大気中の粒子による大気光と物体光の散乱による画像劣化は, 撮影シーンの再現性を大幅に低下させる可能性がある。この問題に対処するために,画像入力からNRFをクリアに復元する手法であるDehazing-NeRFを提案する。提案手法は,大気散乱モデルを用いてヘイズ画像の物理像化過程をシミュレートし,大気散乱モデルとクリーンなNeRFモデルとを併用して画像デハジングと新しいビュー合成の両面において学習する。従来のアプローチとは異なり、Dehazing-NeRFは、入力としてハズ画像のみを持つ教師なしの手法であり、手動で設計したデハズ先行に頼らない。大気散乱モデルとNeRF3D画像から推定した深度を併用することにより, 形状整合性を維持しつつ, 単像脱ハージングの問題点を突破する。さらに、情報損失による画像品質の劣化を軽減するため、モデルトレーニングプロセスにおいて、大気の整合性やコントラスト識別損失と同様に、ソフトマージン整合性正規化が対処される。画像デハージングと新しいビュー画像合成の両面において,本手法は単一画像デハージングとNeRFの単純な組み合わせよりも優れていることを示す。

関連論文リスト

Taming Latent Diffusion Model for Neural Radiance Field Inpainting [63.297262813285265]
ニューラル・ラジアンス・フィールド(NeRF)は多視点画像からの3次元再構成の表現である。本研究では,シーンごとのカスタマイズによる拡散モデルの傾向の緩和と,マスキングトレーニングによるテクスチャシフトの緩和を提案する。我々のフレームワークは、様々な現実世界のシーンに最先端のNeRF塗装結果をもたらす。
論文参考訳（メタデータ） (2024-04-15T17:59:57Z)
Relightify: Relightable 3D Faces from a Single Image via Diffusion Models [86.3927548091627]
単一画像からの3次元顔BRDF再構成を高精度に行うために,拡散モデルを用いた最初のアプローチを提案する。既存の手法とは対照的に,観測されたテクスチャを直接入力画像から取得することで,より忠実で一貫した推定が可能となる。
論文参考訳（メタデータ） (2023-05-10T11:57:49Z)
Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction [77.69363640021503]
3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
論文参考訳（メタデータ） (2023-04-13T17:59:01Z)
DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields [56.30120727729177]
DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
論文参考訳（メタデータ） (2023-03-20T18:03:32Z)
NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion [107.67277084886929]
単一の画像からの新しいビュー合成には、オブジェクトやシーンの隠蔽領域を推論すると同時に、入力とのセマンティックおよび物理的整合性を同時に維持する必要がある。そこで我々は,NerfDiffを提案する。NerfDiffは3D対応条件拡散モデル(CDM)の知識を,テスト時に仮想ビューの集合を合成・精製することで,NeRFに抽出することでこの問題に対処する。さらに,CDMサンプルから3次元一貫した仮想ビューを同時に生成し,改良された仮想ビューに基づいてNeRFを微調整する新しいNeRF誘導蒸留アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-20T17:12:00Z)
BAD-NeRF: Bundle Adjusted Deblur Neural Radiance Fields [9.744593647024253]
我々は、新しいバンドルを調整した deblur Neural Radiance Fields (BAD-NeRF) を提案する。 BAD-NeRFは、激しい動きのぼやけた画像や不正確なカメラのポーズに対して堅牢である。提案手法は、運動ぼかし画像の物理画像形成過程をモデル化し、NeRFのパラメータを共同で学習する。
論文参考訳（メタデータ） (2022-11-23T10:53:37Z)
Deblurred Neural Radiance Field with Physical Scene Priors [6.128295038453101]
本稿では,2つの物理的先行条件に制約されたぼやけた画像に対するDP-NeRFフレームワークを提案する。本研究では,2種類のぼかしを有する合成シーンと実シーンに対して,カメラモーションのぼかしとデフォーカスのぼかしの2種類の実験結果を示す。
論文参考訳（メタデータ） (2022-11-22T06:40:53Z)
Dual-Scale Single Image Dehazing Via Neural Augmentation [29.019279446792623]
モデルベースとデータ駆動のアプローチを組み合わせることで,新しい単一画像デハージングアルゴリズムを導入する。その結果,提案アルゴリズムは実世界および合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
論文参考訳（メタデータ） (2022-09-13T11:56:03Z)
AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文参考訳（メタデータ） (2022-08-24T03:13:04Z)
Model-Based Single Image Deep Dehazing [20.39952114471173]
モデルベースおよびデータ駆動アプローチを融合させることにより,新しい単一画像デハージングアルゴリズムを導入する。実験結果から,提案アルゴリズムは実世界のヘイズ画像や合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T01:57:51Z)

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。