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

• Efficient Depth-Guided Urban View Synthesis [52.841803876653465]
  高速フィードフォワード推論とシーンごとのファインチューニングのための効率的な深層誘導型都市ビュー合成(EDUS)を提案する。 EDUSは、粗い入力画像から一般化可能な都市ビュー合成を可能にするためのガイダンスとして、ノイズの多い幾何学的先行情報を利用する。 その結果,EDUSは高速なテスト時間最適化と組み合わせることで,スパース・ビュー・セッティングにおける最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-17T08:16:25Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• 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)
• 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)
• NeuV-SLAM: Fast Neural Multiresolution Voxel Optimization for RGBD Dense SLAM [5.709880146357355]
  ニュートラルV-SLAMは,ニュートラル多分解能ボクセルをベースとした,新しい局所化とマッピングパイプラインである。 NeuV-SLAMは超高速収束とインクリメンタル展開機能によって特徴付けられる。
  論文  参考訳（メタデータ） (2024-02-03T04:26:35Z)
• 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)
• 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)

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。