論文の概要: PyNeRF: Pyramidal Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2312.00252v1
• Date: Thu, 30 Nov 2023 23:52:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 16:18:08.156013
• Title: PyNeRF: Pyramidal Neural Radiance Fields
• Title（参考訳）: PyNeRF:ピラミッド型ニューラルラジアンス場
• Authors: Haithem Turki, Michael Zollh\"ofer, Christian Richardt, Deva Ramanan
• Abstract要約: 本研究では,異なる空間グリッド解像度でモデルヘッドを訓練することにより,グリッドモデルへの簡単な修正を提案する。 レンダリング時には、単に粗いグリッドを使用して、より大きなボリュームをカバーするサンプルをレンダリングします。 Mip-NeRFと比較して、60倍高速なトレーニングをしながらエラー率を20%削減する。
• 参考スコア（独自算出の注目度）: 51.25406129834537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Radiance Fields (NeRFs) can be dramatically accelerated by spatial grid representations. However, they do not explicitly reason about scale and so introduce aliasing artifacts when reconstructing scenes captured at different camera distances. Mip-NeRF and its extensions propose scale-aware renderers that project volumetric frustums rather than point samples but such approaches rely on positional encodings that are not readily compatible with grid methods. We propose a simple modification to grid-based models by training model heads at different spatial grid resolutions. At render time, we simply use coarser grids to render samples that cover larger volumes. Our method can be easily applied to existing accelerated NeRF methods and significantly improves rendering quality (reducing error rates by 20-90% across synthetic and unbounded real-world scenes) while incurring minimal performance overhead (as each model head is quick to evaluate). Compared to Mip-NeRF, we reduce error rates by 20% while training over 60x faster.
• Abstract（参考訳）: ニューラルレージアンス場(NeRF)は空間格子表現によって劇的に加速される。 しかし、スケールについて明確な理由を示さず、異なるカメラ距離で撮影されたシーンを再現する際にエイリアス的アーティファクトを導入する。 Mip-NeRFとその拡張は、点サンプルではなくボリュームフラストラムを投影するスケールアウェアレンダラーを提案するが、そのようなアプローチはグリッドメソッドと容易に互換性のない位置エンコーディングに依存している。 本研究では,異なる空間グリッド解像度でモデルヘッドを訓練することにより,グリッドモデルへの簡単な修正を提案する。 レンダリング時には、粗いグリッドを使って、より大きなボリュームをカバーするサンプルをレンダリングします。 提案手法は,既存のNeRF法に容易に適用でき,レンダリング品質(合成シーンと非有界シーンのエラー率を20～90%削減する)が向上すると同時に,性能オーバーヘッドも最小限に抑えられる(各モデルヘッドの評価が早いため)。 Mip-NeRFと比較して、60倍高速なトレーニングをしながらエラー率を20%削減する。

関連論文リスト

• NeRF-Casting: Improved View-Dependent Appearance with Consistent Reflections [57.63028964831785]
  最近の研究は、遠方の環境照明の詳細な明細な外観を描画するNeRFの能力を改善しているが、近い内容の一貫した反射を合成することはできない。 我々はこれらの問題をレイトレーシングに基づくアプローチで解決する。 このモデルでは、それぞれのカメラ線に沿った点における視界依存放射率を求めるために高価なニューラルネットワークをクエリする代わりに、これらの点から光を流し、NeRF表現を通して特徴ベクトルを描画します。
  論文  参考訳（メタデータ） (2024-05-23T17:59:57Z)
• Mip-Grid: Anti-aliased Grid Representations for Neural Radiance Fields [12.910072009005065]
  我々は、反エイリアス手法をグリッドベースの放射場表現に組み込む新しいアプローチであるmip-blurを提案する。 提案手法は,共有グリッド表現上に単純な畳み込み演算を適用してマルチスケールグリッドを生成する。
  論文  参考訳（メタデータ） (2024-02-22T00:45:40Z)
• HybridNeRF: Efficient Neural Rendering via Adaptive Volumetric Surfaces [71.1071688018433]
  ニューラル放射場は、最先端のビュー合成品質を提供するが、レンダリングが遅くなる傾向がある。 本稿では,ほとんどの物体を表面としてレンダリングすることで,両表現の強みを生かしたHybridNeRFを提案する。 仮想現実分解能(2Kx2K)のリアルタイムフレームレート(少なくとも36FPS)を達成しながら、エラー率を15～30%改善する。
  論文  参考訳（メタデータ） (2023-12-05T22:04:49Z)
• Efficient View Synthesis with Neural Radiance Distribution Field [61.22920276806721]
  我々は,リアルタイムに効率的なビュー合成を目標とするニューラルレージアンス分布場(NeRDF)という新しい表現を提案する。 我々は、NeLFのように1ピクセル当たりの1つのネットワーク転送でレンダリング速度を保ちながら、NeRFに似た小さなネットワークを使用する。 実験の結果,提案手法は既存の手法よりも速度,品質,ネットワークサイズとのトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2023-08-22T02:23:28Z)
• Zip-NeRF: Anti-Aliased Grid-Based Neural Radiance Fields [64.13207562222094]
  我々は、mip-NeRF 360とグリッドベースモデルを組み合わせた手法が、どちらの手法よりも8%から77%低い誤差率を発生し、mip-NeRF 360より24倍速く訓練できることを示します。
  論文  参考訳（メタデータ） (2023-04-13T17:55:12Z)
• 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)
• Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields [45.84983186882732]
  mip-NeRF"("mipmap")は、NeRFを拡張してシーンを継続的に価値あるスケールで表現します。 mip-NeRFは、光線の代わりにアンチエイリアスコニカルフラストを効率的にレンダリングすることで、不快なエイリアスアーティファクトを低減します。 NeRFと比較して、mip-NeRFはNeRFで提示されたデータセットでは平均エラー率を16%、そのデータセットでは60%削減する。
  論文  参考訳（メタデータ） (2021-03-24T18:02:11Z)
• FastNeRF: High-Fidelity Neural Rendering at 200FPS [17.722927021159393]
  我々は,ハイエンドGPU上で200Hzの高忠実度画像をレンダリングするシステムであるFastNeRFを提案する。 提案手法は、元のNeRFアルゴリズムよりも3000倍高速で、NeRFを加速する既存の作業よりも少なくとも1桁高速である。
  論文  参考訳（メタデータ） (2021-03-18T17:09:12Z)

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。