Fugu-MT 論文翻訳(概要): Learning a Diffusion Prior for NeRFs

論文の概要: Learning a Diffusion Prior for NeRFs

arxiv url: http://arxiv.org/abs/2304.14473v1
Date: Thu, 27 Apr 2023 19:24:21 GMT
ステータス: 処理完了
システム内更新日: 2023-05-01 16:06:02.061305
Title: Learning a Diffusion Prior for NeRFs
Title（参考訳）: NeRFに先立つ拡散の学習
Authors: Guandao Yang, Abhijit Kundu, Leonidas J. Guibas, Jonathan T. Barron, Ben Poole
Abstract要約: 正規化グリッド上に符号化されたNeRFを生成するために拡散モデルを提案する。提案モデルでは,現実的なNeRFのサンプル化が可能である一方で,条件付き世代を許容すると同時に,特定の観察をガイダンスとして与えることができることを示す。
参考スコア（独自算出の注目度）: 84.99454404653339
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural Radiance Fields (NeRFs) have emerged as a powerful neural 3D representation for objects and scenes derived from 2D data. Generating NeRFs, however, remains difficult in many scenarios. For instance, training a NeRF with only a small number of views as supervision remains challenging since it is an under-constrained problem. In such settings, it calls for some inductive prior to filter out bad local minima. One way to introduce such inductive priors is to learn a generative model for NeRFs modeling a certain class of scenes. In this paper, we propose to use a diffusion model to generate NeRFs encoded on a regularized grid. We show that our model can sample realistic NeRFs, while at the same time allowing conditional generations, given a certain observation as guidance.
Abstract（参考訳）: NeRF(Neural Radiance Fields)は、2Dデータから派生したオブジェクトやシーンの強力な3D表現として登場した。しかし、多くのシナリオでは、NeRFの生成は困難である。例えば、少数の視点しか持たないNeRFのトレーニングは、制約の少ない問題であるため、監督が困難なままである。このような設定では、悪いローカルのミニマをフィルタリングする前に、何らかのインダクティブを要求する。このような誘導的先行性を導入する一つの方法は、ある種のシーンをモデル化するNeRFの生成モデルを学ぶことである。本稿では,正規化グリッド上に符号化されたNeRFを生成するために拡散モデルを提案する。提案モデルでは,現実的なNeRFをサンプリングすると同時に,条件付き世代を許容し,一定の観察をガイダンスとして示す。

関連論文リスト

Self-Evolving Neural Radiance Fields [31.124406548504794]
我々は、自己学習フレームワークを神経放射場(NeRF)に適用する、SE-NeRF(Self-Evolving Neural Radiance Fields)と呼ばれる新しいフレームワークを提案する。数発のNeRFを教師向けフレームワークに定式化し、ネットワークを誘導し、より堅牢なシーン表現を学習する。既存のモデルに自己学習フレームワークを適用することで、レンダリング画像の品質が向上し、複数の設定で最先端のパフォーマンスが達成できることを示し、評価する。
論文参考訳（メタデータ） (2023-12-02T02:28:07Z)
SimpleNeRF: Regularizing Sparse Input Neural Radiance Fields with Simpler Solutions [6.9980855647933655]
NeRFによって推定される深さの監視は、より少ないビューで効果的にトレーニングするのに役立つ。我々は、位置エンコーディングとビュー依存放射能の役割を探求することによって、より単純な解決を促進する拡張モデルの設計を行う。上記の正規化を用いて、2つの一般的なデータセット上での最先端のビュー合成性能を実現する。
論文参考訳（メタデータ） (2023-09-07T18:02:57Z)
DReg-NeRF: Deep Registration for Neural Radiance Fields [66.69049158826677]
我々は,人間の介入なしにオブジェクト中心のアノテートシーンにおけるNeRF登録問題を解くためにDReg-NeRFを提案する。提案手法は,SOTAポイントクラウド登録方式を大きなマージンで打ち負かす。
論文参考訳（メタデータ） (2023-08-18T08:37:49Z)
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)
Instance Neural Radiance Field [62.152611795824185]
本稿では,最初の学習ベースNeRF3Dインスタンスセグメンテーションパイプラインについて述べる。我々は、NeRFのサンプルボリューム特徴に基づいて、3Dプロポーザルベースのマスク予測ネットワークを採用する。また、本手法は、そのような結果を純粋推論で最初に達成した手法の一つである。
論文参考訳（メタデータ） (2023-04-10T05:49:24Z)
FreeNeRF: Improving Few-shot Neural Rendering with Free Frequency Regularization [32.1581416980828]
本稿では、従来の手法よりも優れた驚くほど単純なベースラインである周波数正規化NeRF(FreeNeRF)を提案する。我々は、数ショットのニューラルレンダリングにおける重要な課題を分析し、NeRFのトレーニングにおいて周波数が重要な役割を果たすことを発見した。
論文参考訳（メタデータ） (2023-03-13T18:59:03Z)
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)
ActiveNeRF: Learning where to See with Uncertainty Estimation [36.209200774203005]
近年,Neural Radiance Fields (NeRF) は,3次元シーンの再構成や,スパース2次元画像からの新規ビューの合成に有望な性能を示した。本稿では,制約のある入力予算で3Dシーンをモデル化することを目的とした,新しい学習フレームワークであるActiveNeRFを提案する。
論文参考訳（メタデータ） (2022-09-18T12:09:15Z)
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)
Mega-NeRF: Scalable Construction of Large-Scale NeRFs for Virtual Fly-Throughs [54.41204057689033]
我々は、ニューラルネットワーク(NeRF)を活用して、建物にまたがる大規模な視覚的キャプチャーや、主にドローンデータから収集された複数の都市ブロックからインタラクティブな3D環境を構築する方法について検討する。 NeRFが伝統的に評価されている単一のオブジェクトシーンとは対照的に、この設定には複数の課題がある。我々は、訓練画像(またはむしろピクセル)を、並列で訓練できる異なるNeRFサブモジュールに分割する単純なクラスタリングアルゴリズムを導入する。
論文参考訳（メタデータ） (2021-12-20T17:40:48Z)

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。