論文の概要: Federated Learning for Large-Scale Scene Modeling with Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2309.06030v4
• Date: Thu, 21 Mar 2024 05:32:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 20:06:30.838218
• Title: Federated Learning for Large-Scale Scene Modeling with Neural Radiance Fields
• Title（参考訳）: ニューラルネットワークを用いた大規模シーンモデリングのためのフェデレートラーニング
• Authors: Teppei Suzuki,
• Abstract要約: 我々は,車両やドローンから収集したデータを用いて,地球規模のニューラル放射場(NeRF)に基づく地図を連続的に構築し,維持するシステムを提案する。 NeRFによる既存の大規模モデリングには、地球規模の環境をモデル化する際のスケーラビリティと保守性に問題がある。 我々は、NeRFのフェデレーション学習におけるモデル集約パイプラインを調整し、NeRFの局所的な更新を可能にする。
• 参考スコア（独自算出の注目度）: 12.927774549253789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We envision a system to continuously build and maintain a map based on earth-scale neural radiance fields (NeRF) using data collected from vehicles and drones in a lifelong learning manner. However, existing large-scale modeling by NeRF has problems in terms of scalability and maintainability when modeling earth-scale environments. Therefore, to address these problems, we propose a federated learning pipeline for large-scale modeling with NeRF. We tailor the model aggregation pipeline in federated learning for NeRF, thereby allowing local updates of NeRF. In the aggregation step, the accuracy of the clients' global pose is critical. Thus, we also propose global pose alignment to align the noisy global pose of clients before the aggregation step. In experiments, we show the effectiveness of the proposed pose alignment and the federated learning pipeline on the large-scale scene dataset, Mill19.
• Abstract（参考訳）: 我々は、車両やドローンから収集したデータを用いて、地球規模のニューラルレージアンスフィールド(NeRF)に基づいたマップを、生涯にわたって学習的に構築し、維持するシステムを構想する。 しかし、NeRFによる既存の大規模モデリングでは、地球規模の環境をモデル化する際のスケーラビリティと保守性に問題がある。 そこで我々は,これらの問題に対処するために,NeRFを用いた大規模モデリングのためのフェデレート学習パイプラインを提案する。 我々は、NeRFのフェデレーション学習におけるモデル集約パイプラインを調整し、NeRFの局所的な更新を可能にする。 集約ステップでは、クライアントのグローバルポーズの精度が重要になります。 そこで本研究では,アグリゲーション前にクライアントの騒々しいグローバルなポーズを調整するために,グローバルなポーズアライメントを提案する。 実験では,大規模シーンデータセットMill19におけるポーズアライメントとフェデレート学習パイプラインの有効性を示す。

関連論文リスト

• InterNeRF: Scaling Radiance Fields via Parameter Interpolation [36.014610797521605]
  モデルパラメータのサブセットを用いてターゲットビューをレンダリングする新しいアーキテクチャであるInterNeRFを提案する。 標準ベンチマークでは競争力を維持しながら,マルチルームシーンにおいて大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-06-17T16:55:22Z)
• Global-guided Focal Neural Radiance Field for Large-scale Scene Rendering [12.272724419136575]
  大規模シーンの高忠実なレンダリングを実現するグローバル誘導焦点型ニューラルレイディアンス場(GF-NeRF)を提案する。 提案手法は,多種多様な大規模データセットに対して,高忠実で自然なレンダリング結果を実現する。
  論文  参考訳（メタデータ） (2024-03-19T15:45:54Z)
• FedBRB: An Effective Solution to the Small-to-Large Scenario in Device-Heterogeneity Federated Learning [26.83118532664952]
  最近のデバイス・ヘテロジニティ・フェデレーション・ラーニング・アプローチがこの分野を探求し始めている。 ブロック概念に基づくtextbfFedBRB (underlineBlock-wise underlineRolling and weighted underlineBroadcast) という手法を提案する。 実験では、FedBRBがかなりのパフォーマンス向上を実証し、このシナリオで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-02-27T04:50:13Z)
• 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)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
  フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。 そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T11:01:10Z)
• Federated Learning with Neural Graphical Models [2.2721854258621064]
  フェデレートラーニング(FL)は、プロプライエタリなデータに基づいたモデルを作成する必要性に対処する。 我々は,局所的なNGMモデルから平均情報を学習するグローバルなNGMモデルを維持するFLフレームワークを開発した。 我々は、CDCの乳幼児死亡データからインサイトを抽出するためのFedNGMsの使用を実験的に実証した。
  論文  参考訳（メタデータ） (2023-09-20T23:24:22Z)
• LU-NeRF: Scene and Pose Estimation by Synchronizing Local Unposed NeRFs [56.050550636941836]
  NeRFモデルが野生で広く展開されるのを防ぐ重要な障害は、正確なカメラのポーズに依存することである。 カメラのポーズとニューラルフィールドを協調して推定するLU-NeRFという新しい手法を提案する。 LU-NeRFパイプラインは、ポーズに制限的な仮定を加えることなく、未提案のNeRFに対する事前試みより優れることを示す。
  論文  参考訳（メタデータ） (2023-06-08T17:56:22Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• 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。