論文の概要: $L_0$-Sampler: An $L_{0}$ Model Guided Volume Sampling for NeRF

• arxiv url: http://arxiv.org/abs/2311.07044v1
• Date: Mon, 13 Nov 2023 03:05:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 15:36:34.430948
• Title: $L_0$-Sampler: An $L_{0}$ Model Guided Volume Sampling for NeRF
• Title（参考訳）: L_0$-Sampler: NeRF用モデルガイドボリュームサンプリング
• Authors: Liangchen Li, Juyong Zhang
• Abstract要約: 我々は数次定数関数を用いてNeRF分布を近似するために$L_0$-Samplerを提案する。 L_0$-Samplerは、余分な計算負担を伴わずに、数行のコードで簡単に実装できる。 コードはhttps://ustc3dv.io/L0-Sampler/で入手できる。
• 参考スコア（独自算出の注目度）: 34.472640959327144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since being proposed, Neural Radiance Fields (NeRF) have achieved great success in related tasks, mainly adopting the hierarchical volume sampling (HVS) strategy for volume rendering. However, the HVS of NeRF approximates distributions using piecewise constant functions, which provides a relatively rough estimation. Based on the observation that a well-trained weight function $w(t)$ and the $L_0$ distance between points and the surface have very high similarity, we propose $L_0$-Sampler by incorporating the $L_0$ model into $w(t)$ to guide the sampling process. Specifically, we propose to use piecewise exponential functions rather than piecewise constant functions for interpolation, which can not only approximate quasi-$L_0$ weight distributions along rays quite well but also can be easily implemented with few lines of code without additional computational burden. Stable performance improvements can be achieved by applying $L_0$-Sampler to NeRF and its related tasks like 3D reconstruction. Code is available at https://ustc3dv.github.io/L0-Sampler/ .
• Abstract（参考訳）: 提案以降、neural radiance fields(nerf)は、ボリュームレンダリングに階層的ボリュームサンプリング(hvs)戦略を採用するなど、関連するタスクで大きな成功を収めている。 しかし、NeRFのHVSは断片的定数関数を用いて分布を近似し、相対的に粗い推定を与える。 十分に訓練された重み関数 $w(t)$ と点と表面との間の $l_0$ の距離が非常に高いという観測に基づいて,$l_0$ モデルを $w(t)$ に組み込んでサンプリングプロセスを導くことで $l_0$-sampler を提案する。 具体的には,線量分布を近似できるだけでなく,余分な計算負担を伴わずに数行のコードで容易に実装できるような補間関数として,断片的定数関数ではなく指数関数を用いる方法を提案する。 安定的なパフォーマンス改善は、NeRFとその関連する3D再構成のようなタスクに$L_0$-Samplerを適用することで達成できる。 コードはhttps://ustc3dv.github.io/L0-Sampler/で入手できる。

関連論文リスト

• Weighted least-squares approximation with determinantal point processes and generalized volume sampling [33.33724208084121]
  与えられた$m$-次元空間$V_m$の要素によって、函数を$L2$から近似する問題を考える。 近似は、ほぼ確実に$H$-normで測定された最高の近似誤差によって境界づけられていることを示す。
  論文  参考訳（メタデータ） (2023-12-21T17:34:18Z)
• Beyond Uniform Smoothness: A Stopped Analysis of Adaptive SGD [38.221784575853796]
  この研究は、勾配を用いて潜在的に一定の滑らかさを持つ非アトー関数の1次定常点を求める問題を考える。 我々は、ノイズに一様境界を仮定することなく$mathcalO(fracmathrmpolylog(T)sigmatT)$収束率を証明できる技術を開発した。
  論文  参考訳（メタデータ） (2023-02-13T18:13:36Z)
• The Sample Complexity of Approximate Rejection Sampling with Applications to Smoothed Online Learning [29.44582058149344]
  n$ の関数としての最適総変分距離が $tildeTheta(fracDf'(n))$ によって与えられることを示す。 次に、スムーズなオンライン学習という非常に異なる分野のアプリケーションを検討します。
  論文  参考訳（メタデータ） (2023-02-09T14:20:14Z)
• Overcoming the Long Horizon Barrier for Sample-Efficient Reinforcement Learning with Latent Low-Rank Structure [9.759209713196718]
  我々は、対応する最適$Q*$関数が低ランクであるMDPのクラスを考える。 より強い低階構造仮定の下では、生成モデル(LR-MCPI)と低階経験値イテレーション(LR-EVI)が、ランクに対して$tildeOleft((|S|+|A|)mathrmpoly(d,H)/epsilon2right)$の所望のサンプル複雑性を実現することが示されている。
  論文  参考訳（メタデータ） (2022-06-07T20:39:51Z)
• Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
  既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。 我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
  論文  参考訳（メタデータ） (2022-03-18T18:50:52Z)
• Reward-Free Model-Based Reinforcement Learning with Linear Function Approximation [92.99933928528797]
  エピソードマルコフ決定過程(MDP)に対する線形関数近似を用いたモデルに基づく無報酬強化学習について検討する。 計画段階では、特定の報酬関数が与えられ、探索フェーズから収集したサンプルを使用して良い政策を学ぶ。 任意の報酬関数に対して$epsilon$-optimal Policyを得るには,最大$tilde O(H4d(H + d)epsilon-2)$ episodesをサンプリングする必要がある。
  論文  参考訳（メタデータ） (2021-10-12T23:03:58Z)
• On the Power of Multitask Representation Learning in Linear MDP [61.58929164172968]
  本稿では,線形マルコフ決定過程(MDP)におけるマルチタスク表現学習の統計的メリットについて分析する。 簡単な最小二乗アルゴリズムが $tildeO(H2sqrtfrackappa MathcalC(Phi)2 kappa dNT+frackappa dn) というポリシーを学ぶことを証明した。
  論文  参考訳（メタデータ） (2021-06-15T11:21:06Z)
• 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)
• The Power of Subsampling in Submodular Maximization [51.629656762796564]
  このアプローチは,既存の手法よりもはるかに単純であるにもかかわらず,最適/最先端の結果をもたらすことを示す。 我々は,映像要約,位置情報要約,映画推薦タスクにおけるアルゴリズムの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-04-06T20:25:57Z)

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。