論文の概要: ProNeRF: Learning Efficient Projection-Aware Ray Sampling for
Fine-Grained Implicit Neural Radiance Fields
- arxiv url: http://arxiv.org/abs/2312.08136v1
- Date: Wed, 13 Dec 2023 13:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 15:26:18.216650
- Title: ProNeRF: Learning Efficient Projection-Aware Ray Sampling for
Fine-Grained Implicit Neural Radiance Fields
- Title（参考訳）: ProNeRF:細粒入射性ニューラルラジタンス場のための学習効率の良い投影型光サンプリング
- Authors: Juan Luis Gonzalez Bello, Minh-Quan Viet Bui, and Munchurl Kim
- Abstract要約: メモリフットプリント(NeRFに似ている)、スピード(HyperReelより速い)、品質(K-Planesより速い)の最適なトレードオフを提供するProNeRFを提案する。
我々のProNeRFは最先端の計測値であり、最も優れたサンプルベース手法であるHyperReelよりも15-23倍高速で、PSNRは0.65dB高く、PSNRは0.95dB高い。
- 参考スコア（独自算出の注目度）: 27.008124938806944
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advances in neural rendering have shown that, albeit slow, implicit
compact models can learn a scene's geometries and view-dependent appearances
from multiple views. To maintain such a small memory footprint but achieve
faster inference times, recent works have adopted `sampler' networks that
adaptively sample a small subset of points along each ray in the implicit
neural radiance fields. Although these methods achieve up to a 10$\times$
reduction in rendering time, they still suffer from considerable quality
degradation compared to the vanilla NeRF. In contrast, we propose ProNeRF,
which provides an optimal trade-off between memory footprint (similar to NeRF),
speed (faster than HyperReel), and quality (better than K-Planes). ProNeRF is
equipped with a novel projection-aware sampling (PAS) network together with a
new training strategy for ray exploration and exploitation, allowing for
efficient fine-grained particle sampling. Our ProNeRF yields state-of-the-art
metrics, being 15-23x faster with 0.65dB higher PSNR than NeRF and yielding
0.95dB higher PSNR than the best published sampler-based method, HyperReel. Our
exploration and exploitation training strategy allows ProNeRF to learn the full
scenes' color and density distributions while also learning efficient ray
sampling focused on the highest-density regions. We provide extensive
experimental results that support the effectiveness of our method on the widely
adopted forward-facing and 360 datasets, LLFF and Blender, respectively.
- Abstract（参考訳）: 近年のニューラルレンダリングの進歩は、遅くて暗黙のコンパクトモデルが複数の視点からシーンのジオメトリとビュー依存の外観を学習できることを示している。
このような少ないメモリフットプリントを維持しつつ、より高速な推論時間を達成するために、近年の研究では、暗黙の神経放射野で各光線に沿った点の小さなサブセットを適応的にサンプリングする ‘sampler’ ネットワークが採用されている。
これらの手法はレンダリング時間を最大10$\times$で削減できるが、バニラのNeRFに比べてかなり品質が劣化している。
対照的に、メモリフットプリント(NeRFに似ている)、スピード(HyperReelより速い)、品質(K-Planesより速い)の最適なトレードオフを提供するProNeRFを提案する。
ProNeRFは、新しいプロジェクション・アウェア・サンプリング(PAS)ネットワークと、光線探査と利用のための新しいトレーニング戦略を備えており、より効率的な粒度粒子サンプリングを可能にしている。
我々のProNeRFは最先端の計測値であり、最も優れたサンプルベース手法であるHyperReelよりも15-23倍高速で、PSNRは0.65dB高く、PSNRは0.95dB高い。
探索・搾取訓練戦略により,プロナーフは高濃度領域に着目した効率的なレイサンプリングを学習しながら,全シーンの色と密度分布を学習できる。
提案手法が広く採用されている前向きデータセットと360データセット,llffおよびblender上で有効であることを示す実験結果を提供する。
関連論文リスト
- Efficient NeRF Optimization -- Not All Samples Remain Equally Hard [9.404889815088161]
ニューラルレイディアンスフィールド(NeRF)の効率的なトレーニングのためのオンラインハードサンプルマイニングの応用を提案する。
NeRFモデルは、多くの3D再構成およびレンダリングタスクに対して最先端の品質を生み出すが、かなりの計算資源を必要とする。
論文 参考訳（メタデータ） (2024-08-06T13:49:01Z) - Spatial Annealing Smoothing for Efficient Few-shot Neural Rendering [106.0057551634008]
我々は,Spatial Annealing smoothing regularized NeRF (SANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。
単に1行のコードを追加することで、SANeRFは現在の数ショットのNeRF法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
論文 参考訳（メタデータ） (2024-06-12T02:48:52Z) - Efficient Ray Sampling for Radiance Fields Reconstruction [4.004168836949491]
レイサンプリング戦略は ネットワーク収束に大きな影響を与えます
ニューラルレイディアンス場に対する新しいレイサンプリング手法を提案する。
提案手法は,公開ベンチマークデータセットにおける最先端技術よりも優れていた。
論文 参考訳（メタデータ） (2023-08-29T18:11:32Z) - 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) - NerfAcc: Efficient Sampling Accelerates NeRFs [44.372357157357875]
改良されたサンプリングは、送信推定器の統一的な概念の下で、一般にNeRFの変種に適用可能であることを示す。
NerfAccは、NeRF関連のメソッドに高度なサンプリングメソッドを組み込むための柔軟なAPIを提供するPythonツールボックスである。
論文 参考訳（メタデータ） (2023-05-08T18:02:11Z) - AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance
Fields [8.214695794896127]
新たなビュー合成は、スパース観測から直接神経放射場を学習することで、近年革新されている。
この新たなパラダイムによる画像のレンダリングは、ボリュームレンダリング方程式の正確な4分の1は、各光線に対して大量のサンプルを必要とするため、遅い。
本稿では,必要なサンプル点数を最大限に削減する方法を学習し,方向性を示す新しいデュアルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-21T05:59:13Z) - R2L: Distilling Neural Radiance Field to Neural Light Field for
Efficient Novel View Synthesis [76.07010495581535]
一つのピクセルをレンダリングするには、数百回もNeural Radiance Fieldネットワークに問い合わせる必要がある。
NeLFは、新しい視点において、NeRFに対してより直接的な表現を提示する。
ディープNeLFネットワークをうまく学習する鍵は、十分なデータを持つことである。
論文 参考訳（メタデータ） (2022-03-31T17:57:05Z) - Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。
提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
論文 参考訳（メタデータ） (2021-12-02T18:59:51Z) - NeuSample: Neural Sample Field for Efficient View Synthesis [129.10351459066501]
本稿では,ニューラルサンプル場を命名する軽量モジュールを提案する。
提案したサンプルフィールドは、線をサンプル分布にマッピングし、点座標に変換し、ボリュームレンダリングのために放射場に供給することができる。
我々はNeuSampleが高速な推論速度を保ちながら、NeRFよりも優れたレンダリング品質を実現することを示す。
論文 参考訳（メタデータ） (2021-11-30T16:43:49Z) - 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)
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。