論文の概要: Radar Fields: An Extension of Radiance Fields to SAR

• arxiv url: http://arxiv.org/abs/2312.12961v1
• Date: Wed, 20 Dec 2023 12:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 15:52:47.224112
• Title: Radar Fields: An Extension of Radiance Fields to SAR
• Title（参考訳）: Radar Fields: SARへのラジアンスフィールドの拡張
• Authors: Thibaud Ehret, Roger Mar\'i, Dawa Derksen, Nicolas Gasnier, Gabriele Facciolo
• Abstract要約: レーダ場をレーダ画像に拡張することで,最初の「レーダ場」を提示できることを示す。 両方のフィールドの定義方法の類似性により、この研究は光学とSARの両方のイメージを組み合わせたハイブリッド手法の可能性も示している。
• 参考スコア（独自算出の注目度）: 12.330376717090486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiance fields have been a major breakthrough in the field of inverse rendering, novel view synthesis and 3D modeling of complex scenes from multi-view image collections. Since their introduction, it was shown that they could be extended to other modalities such as LiDAR, radio frequencies, X-ray or ultrasound. In this paper, we show that, despite the important difference between optical and synthetic aperture radar (SAR) image formation models, it is possible to extend radiance fields to radar images thus presenting the first "radar fields". This allows us to learn surface models using only collections of radar images, similar to how regular radiance fields are learned and with the same computational complexity on average. Thanks to similarities in how both fields are defined, this work also shows a potential for hybrid methods combining both optical and SAR images.
• Abstract（参考訳）: レーダランス場は、逆レンダリング、新しいビュー合成、多視点画像コレクションからの複雑なシーンの3次元モデリングの分野で大きなブレークスルーとなっている。 導入後、LiDAR、無線周波数、X線、超音波などの他のモードに拡張できることが示されている。 本稿では,光学・合成開口レーダ(SAR)画像形成モデルに重要な違いがあるにもかかわらず,レーダ画像への放射場の拡張が可能であり,最初の「レーダー場」を提示できることを示す。 これにより、通常の放射場がどのように学習され、平均的に同じ計算量で、レーダー画像のみを用いて表面モデルを学ぶことができる。 両フィールドの定義方法の類似性により、この研究は光学画像とsar画像の両方を組み合わせたハイブリッド手法の可能性も示している。

関連論文リスト

• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• DART: Implicit Doppler Tomography for Radar Novel View Synthesis [9.26298115522881]
  DARTは、レーダ固有の物理を用いて、レンジドップラー画像のための反射率および透過率に基づくレンダリングパイプラインを作成する、ニューラルラジアンスフィールドにインスパイアされた方法である。 最先端のベースラインと比較して、DARTはすべてのデータセットにまたがる新しいビューから優れたレーダレンジ・ドップラー画像を合成する。
  論文  参考訳（メタデータ） (2024-03-06T17:54:50Z)
• ImmersiveNeRF: Hybrid Radiance Fields for Unbounded Immersive Light Field Reconstruction [32.722973192853296]
  本稿では,入射光場再構成のためのハイブリッド放射場表現を提案する。 我々は2つの異なる空間マッピング戦略を持つ2つの別々の放射場として、前景と背景を表現している。 また、THUImmersiveという新しい没入型光フィールドデータセットも提供し、より広い空間6DoFの没入型レンダリング効果を実現する可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-04T05:57:16Z)
• Multi-Space Neural Radiance Fields [74.46513422075438]
  既存のニューラルレージアンス場(NeRF)法は反射物体の存在に悩まされている。 並列部分空間における特徴場の群を用いてシーンを表現するマルチスペースニューラルレイディアンス場(MS-NeRF)を提案する。 提案手法は,高品質シーンのレンダリングにおいて,既存の単一空間NeRF法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-07T13:11:07Z)
• DiffRF: Rendering-Guided 3D Radiance Field Diffusion [18.20324411024166]
  本稿では,拡散確率モデルに基づく3次元放射場合成の新しい手法であるDiffRFを紹介する。 2次元拡散モデルとは対照的に、我々のモデルは多視点一貫した先行情報を学習し、自由視点合成と正確な形状生成を可能にする。
  論文  参考訳（メタデータ） (2022-12-02T14:37:20Z)
• HDR-NeRF: High Dynamic Range Neural Radiance Fields [70.80920996881113]
  我々は、低ダイナミックレンジ(LDR)ビューの集合からHDR放射界を異なる露光で復元するために、高ダイナミックレンジニューラルレイディアンス場(-NeRF)を提案する。 異なる露出下で、新しいHDRビューと新しいLDRビューの両方を生成することができる。
  論文  参考訳（メタデータ） (2021-11-29T11:06:39Z)
• Generative Occupancy Fields for 3D Surface-Aware Image Synthesis [123.11969582055382]
  GOF(Generative Occupancy Fields)は、生成放射場に基づく新しいモデルである。 GOFは高品質な画像を3D整合性で合成し、コンパクトで滑らかな物体表面を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-11-01T14:20:43Z)
• MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo [52.329580781898116]
  MVSNeRFは、ビュー合成のための神経放射場を効率的に再構築できる新しいニューラルレンダリング手法である。 高密度にキャプチャされた画像に対して,シーン毎の最適化を考慮に入れたニューラルネットワークの先行研究とは異なり,高速ネットワーク推論により,近傍の3つの入力ビューのみからラミアンスフィールドを再構成できる汎用ディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T13:15:23Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。