論文の概要: Stable Surface Regularization for Fast Few-Shot NeRF
- arxiv url: http://arxiv.org/abs/2403.19985v1
- Date: Fri, 29 Mar 2024 05:39:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 16:24:57.538554
- Title: Stable Surface Regularization for Fast Few-Shot NeRF
- Title(参考訳): 高速Few-Shot NeRFのための安定表面規則化
- Authors: Byeongin Joung, Byeong-Uk Lee, Jaesung Choe, Ukcheol Shin, Minjun Kang, Taeyeop Lee, In So Kweon, Kuk-Jin Yoon,
- Abstract要約: 我々はAnnealing Signed Distance Function (ASDF) と呼ばれる安定表面正規化手法を開発した。
SDFの異なるレベルセットを形成するためには、アイコンの損失が密集した訓練信号を必要とすることが観察され、数発の訓練で低忠実度結果が得られた。
提案手法は、既存の数発の新規ビュー合成法よりも最大45倍高速である。
- 参考スコア(独自算出の注目度): 76.00444039563581
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes an algorithm for synthesizing novel views under few-shot setup. The main concept is to develop a stable surface regularization technique called Annealing Signed Distance Function (ASDF), which anneals the surface in a coarse-to-fine manner to accelerate convergence speed. We observe that the Eikonal loss - which is a widely known geometric regularization - requires dense training signal to shape different level-sets of SDF, leading to low-fidelity results under few-shot training. In contrast, the proposed surface regularization successfully reconstructs scenes and produce high-fidelity geometry with stable training. Our method is further accelerated by utilizing grid representation and monocular geometric priors. Finally, the proposed approach is up to 45 times faster than existing few-shot novel view synthesis methods, and it produces comparable results in the ScanNet dataset and NeRF-Real dataset.
- Abstract(参考訳): 本稿では,数発のセットアップで新規ビューを合成するアルゴリズムを提案する。
主な概念は、Annealing Signed Distance Function (ASDF) と呼ばれる安定な表面正規化技術を開発することである。
幾何正規化として広く知られているアイコンの損失は、SDFの異なるレベルセットを形成するために密集した訓練信号を必要とし、数発の訓練で低忠実度結果をもたらすことが観察された。
対照的に、提案した表面正則化はシーンの再構築に成功し、安定したトレーニングで高忠実度幾何を生成する。
格子表現と単図形幾何学的先行値を利用することにより,本手法をさらに高速化する。
最後に、提案手法は既存の数発の新規ビュー合成手法よりも最大45倍高速で、ScanNetデータセットとNeRF-Realデータセットで同等の結果が得られる。
関連論文リスト
- MonoPatchNeRF: Improving Neural Radiance Fields with Patch-based Monocular Guidance [29.267039546199094]
本稿では,正確な幾何学とビュー合成を提供する3次元モデルの構築を目的とする。
単分子表面の正規および相対深度予測を効果的に活用するパッチベースのアプローチを提案する。
ETH3D MVSベンチマークの平均F1@2cmにおいて、RegNeRFの4倍、FreeNeRFの8倍の性能を示す。
論文 参考訳(メタデータ) (2024-04-12T05:43:10Z) - SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。
新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。
モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
論文 参考訳(メタデータ) (2024-04-01T08:37:57Z) - NeRF-VO: Real-Time Sparse Visual Odometry with Neural Radiance Fields [14.396127163087902]
NeRF-VOは、低遅延カメラトラッキングとニューラルラディアンスシーン表現のための学習ベースのスパースビジュアルオドメトリーを統合している。
シーン表現の光学的および幾何学的忠実度の両方において、例外的な性能を示す。
我々は、様々な合成および実世界のデータセットにおけるポーズ推定精度、新しいビュー忠実度、密度の高い再構成品質において、最先端の手法を超越している。
論文 参考訳(メタデータ) (2023-12-20T22:42:17Z) - Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。
我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
論文 参考訳(メタデータ) (2023-09-19T05:44:00Z) - Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。
我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。
実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
論文 参考訳(メタデータ) (2023-05-22T16:50:19Z) - GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph
Signal Processing [0.0]
本研究では,3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。
我々は、粒子(点)の動きを制御し、より正確で頑健な登録を実現するために、幾何学を意識した剛体力学を探求する。
その結果,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることがわかった。
論文 参考訳(メタデータ) (2023-02-02T14:06:46Z) - Few-shot Non-line-of-sight Imaging with Signal-surface Collaborative
Regularization [18.466941045530408]
非視線イメージング技術は、多重反射光からターゲットを再構成することを目的としている。
最小限の測定回数でノイズロバストを再現する信号表面の協調正規化フレームワークを提案する。
我々のアプローチは、救助活動や自律運転といったリアルタイム非視線画像アプリケーションにおいて大きな可能性を秘めている。
論文 参考訳(メタデータ) (2022-11-21T11:19:20Z) - Geometry-Guided Progressive NeRF for Generalizable and Efficient Neural
Human Rendering [139.159534903657]
我々は、高忠実度自由視点人体詳細のための一般化可能で効率的なニューラルレーダランス・フィールド(NeRF)パイプラインを開発した。
自己閉塞性を改善するため,幾何誘導型多視点機能統合手法を考案した。
高いレンダリング効率を達成するため,幾何誘導型プログレッシブレンダリングパイプラインを導入する。
論文 参考訳(メタデータ) (2021-12-08T14:42:10Z) - Direct Voxel Grid Optimization: Super-fast Convergence for Radiance
Fields Reconstruction [42.3230709881297]
画像の集合からシーンごとの放射界を再構成する超高速収束手法を提案する。
提案手法はNeRFに比較可能な品質を実現し,1つのGPUで15分以内でスクラッチから急速に収束する。
論文 参考訳(メタデータ) (2021-11-22T14:02:07Z) - Progressive Encoding for Neural Optimization [92.55503085245304]
メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。
最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
論文 参考訳(メタデータ) (2021-04-19T08:22:55Z)
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。