論文の概要: DistGrid: Scalable Scene Reconstruction with Distributed Multi-resolution Hash Grid
- arxiv url: http://arxiv.org/abs/2405.04416v2
- Date: Wed, 8 May 2024 14:27:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 13:25:23.587600
- Title: DistGrid: Scalable Scene Reconstruction with Distributed Multi-resolution Hash Grid
- Title（参考訳）: DistGrid:分散マルチ解像度ハッシュグリッドによるスケーラブルなシーン再構築
- Authors: Sidun Liu, Peng Qiao, Zongxin Ye, Wenyu Li, Yong Dou,
- Abstract要約: 本研究では,DistGrid という名前のマルチレゾリューション・ハッシュ・グリッドを用いた拡張性のあるシーン再構築手法を提案する。
提案手法は,評価されたすべての大規模シーンにおいて既存の手法よりも優れており,視覚的に妥当なシーン再構成を提供する。
- 参考スコア（独自算出の注目度）: 10.458776364195796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural Radiance Field~(NeRF) achieves extremely high quality in object-scaled and indoor scene reconstruction. However, there exist some challenges when reconstructing large-scale scenes. MLP-based NeRFs suffer from limited network capacity, while volume-based NeRFs are heavily memory-consuming when the scene resolution increases. Recent approaches propose to geographically partition the scene and learn each sub-region using an individual NeRF. Such partitioning strategies help volume-based NeRF exceed the single GPU memory limit and scale to larger scenes. However, this approach requires multiple background NeRF to handle out-of-partition rays, which leads to redundancy of learning. Inspired by the fact that the background of current partition is the foreground of adjacent partition, we propose a scalable scene reconstruction method based on joint Multi-resolution Hash Grids, named DistGrid. In this method, the scene is divided into multiple closely-paved yet non-overlapped Axis-Aligned Bounding Boxes, and a novel segmented volume rendering method is proposed to handle cross-boundary rays, thereby eliminating the need for background NeRFs. The experiments demonstrate that our method outperforms existing methods on all evaluated large-scale scenes, and provides visually plausible scene reconstruction. The scalability of our method on reconstruction quality is further evaluated qualitatively and quantitatively.
- Abstract（参考訳）: ニューラルレージアンスフィールド〜(NeRF)は、オブジェクトスケールおよび屋内シーンの再構成において極めて高品質な。
しかし、大規模な舞台の再建にはいくつかの課題がある。
MLPベースのNeRFは限られたネットワーク容量に悩まされ、ボリュームベースのNeRFはシーン解像度が大きくなるとメモリ消費が大きくなる。
近年のアプローチでは、シーンを地理的に分割し、個々のNeRFを用いて各サブリージョンを学習する手法が提案されている。
このようなパーティショニング戦略は、ボリュームベースのNeRFが単一のGPUメモリ制限を超え、より大きなシーンにスケールするのに役立つ。
しかし、このアプローチでは、分割外光を処理するために複数のバックグラウンドNeRFが必要であるため、学習の冗長性が生じる。
本研究では,現在のパーティションの背景が隣接するパーティションの背景にあるという事実に触発されて,DistGrid という共同のマルチレゾリューション・ハッシュ・グリッドに基づくスケーラブルなシーン再構築手法を提案する。
本手法では,複数の密に舗装された非重畳された軸方向境界ボックスにシーンを分割し,クロスバウンダリ線を扱うために新しいセグメント化ボリュームレンダリング法を提案し,背景NeRFを不要とした。
実験により,提案手法は大規模シーンすべてにおいて既存の手法よりも優れており,視覚的にも可視的なシーン再構成を提供することが示された。
本手法の再現性に関するスケーラビリティを質的,定量的に評価する。
関連論文リスト
- Global-guided Focal Neural Radiance Field for Large-scale Scene Rendering [12.272724419136575]
大規模シーンの高忠実なレンダリングを実現するグローバル誘導焦点型ニューラルレイディアンス場(GF-NeRF)を提案する。
提案手法は,多種多様な大規模データセットに対して,高忠実で自然なレンダリング結果を実現する。
論文 参考訳（メタデータ） (2024-03-19T15:45:54Z) - Informative Rays Selection for Few-Shot Neural Radiance Fields [0.3599866690398789]
KeyNeRFは、重要な情報線に着目して、数ショットのシナリオでNeRFを訓練するための、シンプルで効果的な方法である。
提案手法は,既存のNeRFの最小限の変更を必要としながら,最先端の手法に対して良好に機能する。
論文 参考訳（メタデータ） (2023-12-29T11:08:19Z) - Adaptive Multi-NeRF: Exploit Efficient Parallelism in Adaptive Multiple
Scale Neural Radiance Field Rendering [3.8200916793910973]
ニューラル・ラジアンス・フィールド(NeRF)の最近の進歩は、3次元シーンの出現を暗黙のニューラルネットワークとして表す重要な可能性を示している。
しかし、長いトレーニングとレンダリングのプロセスは、リアルタイムレンダリングアプリケーションにこの有望なテクニックを広く採用することを妨げる。
本稿では,大規模シーンのニューラルネットワークレンダリングプロセスの高速化を目的とした適応型マルチNeRF手法を提案する。
論文 参考訳（メタデータ） (2023-10-03T08:34:49Z) - 3D Reconstruction with Generalizable Neural Fields using Scene Priors [71.37871576124789]
シーンプライオリティ(NFP)を取り入れたトレーニング一般化型ニューラルフィールドを提案する。
NFPネットワークは、任意のシングルビューRGB-D画像を符号付き距離と放射値にマッピングする。
融合モジュールを外した体積空間内の個々のフレームをマージすることにより、完全なシーンを再構築することができる。
論文 参考訳（メタデータ） (2023-09-26T18:01:02Z) - Neural Kernel Surface Reconstruction [80.51581494300423]
本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。
我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
論文 参考訳（メタデータ） (2023-05-31T06:25:18Z) - Grid-guided Neural Radiance Fields for Large Urban Scenes [146.06368329445857]
近年のアプローチでは、シーンを地理的に分割し、複数のサブNeRFを採用して各領域を個別にモデル化する手法が提案されている。
もう一つの解決策は、計算効率が良く、大きなシーンに自然にスケールできる機能グリッド表現を使用することである。
本稿では,大規模都市における高忠実度レンダリングを実現し,計算効率を向上する枠組みを提案する。
論文 参考訳（メタデータ） (2023-03-24T13:56:45Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳（メタデータ） (2022-09-02T17:44:50Z) - NeRFusion: Fusing Radiance Fields for Large-Scale Scene Reconstruction [50.54946139497575]
我々は,NeRF と TSDF をベースとした核融合技術の利点を組み合わせて,大規模再構築とフォトリアリスティックレンダリングを実現する手法であるNeRFusion を提案する。
我々は,大規模な屋内・小規模の両方の物体シーンにおいて,NeRFの最先端性を達成し,NeRFや他の最近の手法よりも大幅に高速に再現できることを実証した。
論文 参考訳（メタデータ） (2022-03-21T18:56:35Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - PERF: Performant, Explicit Radiance Fields [1.933681537640272]
放射場に基づく画像に基づく3次元再構成手法を提案する。
体積再構成の問題は非線形最小二乗問題として定式化され、ニューラルネットワークを使わずに明示的に解かれる。
論文 参考訳（メタデータ） (2021-12-10T15:29:00Z)
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。