論文の概要: Sharp-NeRF: Grid-based Fast Deblurring Neural Radiance Fields Using Sharpness Prior

• arxiv url: http://arxiv.org/abs/2401.00825v1
• Date: Mon, 1 Jan 2024 17:48:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 15:48:01.011484
• Title: Sharp-NeRF: Grid-based Fast Deblurring Neural Radiance Fields Using Sharpness Prior
• Title（参考訳）: sharp-nerf:シャープネス前処理を用いたグリッド型高速脱毛ニューラルネットワーク
• Authors: Byeonghyeon Lee, Howoong Lee, Usman Ali, Eunbyung Park
• Abstract要約: Sharp-NeRFは、30分以内のトレーニングで入力されたぼやけた画像からクリーンでシャープな画像をレンダリングするテクニックである。 我々は、ぼやけた画像からなるベンチマーク実験を行い、全参照および非参照メトリクスを評価した。 提案手法では,鮮明な色と細かな細部を持つシャープな新鮮なビューを描画する。
• 参考スコア（独自算出の注目度）: 4.602333448154979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Radiance Fields (NeRF) have shown remarkable performance in neural rendering-based novel view synthesis. However, NeRF suffers from severe visual quality degradation when the input images have been captured under imperfect conditions, such as poor illumination, defocus blurring, and lens aberrations. Especially, defocus blur is quite common in the images when they are normally captured using cameras. Although few recent studies have proposed to render sharp images of considerably high-quality, yet they still face many key challenges. In particular, those methods have employed a Multi-Layer Perceptron (MLP) based NeRF, which requires tremendous computational time. To overcome these shortcomings, this paper proposes a novel technique Sharp-NeRF -- a grid-based NeRF that renders clean and sharp images from the input blurry images within half an hour of training. To do so, we used several grid-based kernels to accurately model the sharpness/blurriness of the scene. The sharpness level of the pixels is computed to learn the spatially varying blur kernels. We have conducted experiments on the benchmarks consisting of blurry images and have evaluated full-reference and non-reference metrics. The qualitative and quantitative results have revealed that our approach renders the sharp novel views with vivid colors and fine details, and it has considerably faster training time than the previous works. Our project page is available at https://benhenryl.github.io/SharpNeRF/
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)はニューラルレンダリングに基づく新規ビュー合成において顕著な性能を示した。 しかし、nerfは、入力画像が照明不良、ぼかしの脱フォーカス、レンズ収差などの不完全な条件下で撮影された場合、視覚品質の悪化に苦しむ。 特にデフォーカスのぼかしは、通常カメラで撮影されるときに画像によく見られる。 最近の研究では、かなり高品質のシャープな画像をレンダリングする提案は少ないが、それでも多くの重要な課題に直面している。 特に、これらの手法では、膨大な計算時間を要するMulti-Layer Perceptron (MLP)ベースのNeRFを採用している。 このような欠点を克服するために,30分以内に入力されたぼやけた画像からクリーンでシャープな画像を描画するグリッドベースのNeRFであるSharp-NeRFを提案する。 そのために、複数のグリッドベースのカーネルを使用して、シーンのシャープさ/ブルーリネスを正確にモデル化しました。 画素のシャープネスレベルを計算し、空間的に変化するぼやけたカーネルを学習する。 ぼやけた画像からなるベンチマーク実験を行い、全参照および非参照メトリクスを評価した。 定性的かつ定量的な結果から,本手法は鮮明な色と細かな細部を持つシャープな新鮮なビューを描画し,従来よりもはるかに高速なトレーニング時間を有することが明らかとなった。 私たちのプロジェクトページはhttps://benhenryl.github.io/sharpnerf/で閲覧できます。

関連論文リスト

• LuSh-NeRF: Lighting up and Sharpening NeRFs for Low-light Scenes [38.59630957057759]
  我々は,手持ちの低照度画像群からクリーンでシャープなNeRFを再構成できるLush-NeRFという新しいモデルを提案する。 LuSh-NeRFはシーン表現からノイズを分離するScene-Noise Decompositionモジュールを含む。 実験により、LuSh-NeRFは既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-11T07:22:31Z)
• 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)
• Self-NeRF: A Self-Training Pipeline for Few-Shot Neural Radiance Fields [17.725937326348994]
  入力ビューの少ない放射場を反復的に洗練する自己進化型NeRFであるSelf-NeRFを提案する。 各イテレーションでは、予測された色や、前回のイテレーションからモデルが生成した歪んだピクセルで、目に見えないビューをラベル付けします。 これらの拡張された擬似ビューは、NeRFの性能を低下させる色やワープアーティファクトのインプレクションによって悩まされる。
  論文  参考訳（メタデータ） (2023-03-10T08:22:36Z)
• RobustNeRF: Ignoring Distractors with Robust Losses [32.2329459013342]
  我々は、最適化問題の解として、NeRFトレーニングのためのロバストな推定形式を提唱し、トレーニングデータのイントラクタをモデリングする。 本手法は, シーンから外れ値を取り除き, ベースライン, 合成シーン, 現実シーンを改良する。
  論文  参考訳（メタデータ） (2023-02-02T02:45:23Z)
• MEIL-NeRF: Memory-Efficient Incremental Learning of Neural Radiance Fields [49.68916478541697]
  我々は、NeRF(MEIL-NeRF)のためのメモリ効率の良いインクリメンタル学習アルゴリズムを開発した。 MEIL-NeRFはNeRF自体からインスピレーションを得て、ニューラルネットワークがクエリとして与えられたピクセルRGB値を提供するメモリとして機能する。 その結果、MEIL-NeRFはメモリ消費と競合性能を一定に示すことができた。
  論文  参考訳（メタデータ） (2022-12-16T08:04:56Z)
• BAD-NeRF: Bundle Adjusted Deblur Neural Radiance Fields [9.744593647024253]
  我々は、新しいバンドルを調整した deblur Neural Radiance Fields (BAD-NeRF) を提案する。 BAD-NeRFは、激しい動きのぼやけた画像や不正確なカメラのポーズに対して堅牢である。 提案手法は、運動ぼかし画像の物理画像形成過程をモデル化し、NeRFのパラメータを共同で学習する。
  論文  参考訳（メタデータ） (2022-11-23T10:53:37Z)
• E-NeRF: Neural Radiance Fields from a Moving Event Camera [83.91656576631031]
  理想的な画像からニューラルレイディアンス場(NeRF)を推定する手法はコンピュータビジョンコミュニティで広く研究されている。 本稿では,高速なイベントカメラからNeRFの形式でボリュームシーンを推定する最初の方法であるE-NeRFを提案する。
  論文  参考訳（メタデータ） (2022-08-24T04:53:32Z)
• View Synthesis with Sculpted Neural Points [64.40344086212279]
  暗黙の神経表現は印象的な視覚的品質を達成したが、計算効率に欠点がある。 本稿では,点雲を用いたビュー合成を行う新しい手法を提案する。 レンダリング速度を100倍以上速くしながら、NeRFよりも視覚的品質を向上する最初のポイントベース手法である。
  論文  参考訳（メタデータ） (2022-05-12T03:54:35Z)
• 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)
• 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。