論文の概要: Expansive Supervision for Neural Radiance Field

• arxiv url: http://arxiv.org/abs/2409.08056v2
• Date: Mon, 16 Dec 2024 03:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:50:22.068284
• Title: Expansive Supervision for Neural Radiance Field
• Title（参考訳）: ニューラル・ラジアンス・フィールドのための拡張的スーパービジョン
• Authors: Weixiang Zhang, Shuzhao Xie, Shijia Ge, Wei Yao, Chen Tang, Zhi Wang,
• Abstract要約: 我々は,NeRFトレーニングにおける時間とメモリコストを削減するために,拡張スーパービジョンを導入する。 トレーニング誤差は画像内容と相関する長テール分布を示す。 従来の監視手法と比較して,冗長なレンダリング処理を効果的に回避する。
• 参考スコア（独自算出の注目度）: 12.510474224361504
• License:
• Abstract: Neural Radiance Field (NeRF) has achieved remarkable success in creating immersive media representations through its exceptional reconstruction capabilities. However, the computational demands of dense forward passes and volume rendering during training continue to challenge its real-world applications. In this paper, we introduce Expansive Supervision to reduce time and memory costs during NeRF training from the perspective of partial ray selection for supervision. Specifically, we observe that training errors exhibit a long-tail distribution correlated with image content. Based on this observation, our method selectively renders a small but crucial subset of pixels and expands their values to estimate errors across the entire area for each iteration. Compared to conventional supervision, our approach effectively bypasses redundant rendering processes, resulting in substantial reductions in both time and memory consumption. Experimental results demonstrate that integrating Expansive Supervision within existing state-of-the-art acceleration frameworks achieves 52% memory savings and 16% time savings while maintaining comparable visual quality.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、その例外的な再構成能力を通じて没入型メディア表現を創出することに成功した。 しかし、トレーニング中の高密度フォワードパスとボリュームレンダリングの計算要求は、実際の応用に挑戦し続けている。 本稿では,NRFトレーニングにおける時間とメモリコストを削減するための拡張スーパービジョンを提案する。 具体的には、トレーニングエラーが画像内容と相関した長い尾の分布を示すことを観察する。 この観測に基づいて,本手法は画素の小さいが重要な部分集合を選択的に描画し,その値を拡張して各反復に対して全領域にわたって誤差を推定する。 従来の監視手法と比較して,冗長なレンダリング処理を効果的に回避し,時間とメモリ消費を大幅に削減する。 実験結果から,既存の最先端アクセラレーションフレームワークにExpansive Supervisionを統合することで,52%のメモリ節約と16%の時間節約を実現し,視覚的品質を同等に維持できることがわかった。

関連論文リスト

• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [0.6675733925327885]
  リモートセンシング画像に欠落した値を出力する既存の方法は、補助情報を完全に活用できない。 本稿では,時系列リモートセンシング画像の再構成のためのMS2という,深層学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T09:05:05Z)
• Oblique-MERF: Revisiting and Improving MERF for Oblique Photography [32.864777068264665]
  ボリュームレンダリングの過程で最適化された革新的適応占有面と、これらの問題に対処するビュー依存色に対する滑らかな正規化項を導入する。 我々のアプローチは斜めMERFと呼ばれ、最先端のリアルタイム手法を約0.7dBで超過し、VRAM使用率を約40%削減し、多くの視点でよりリアルなレンダリング結果が得られる高いレンダリングフレームレートを実現している。
  論文  参考訳（メタデータ） (2024-04-15T07:51:29Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Compensation Sampling for Improved Convergence in Diffusion Models [12.311434647047427]
  拡散モデルは画像生成において顕著な品質を達成するが、コストはかかる。 反復 denoising は高忠実度画像を生成するために多くの時間ステップを必要とする。 対象データの初期的不正確な再構成による復元誤差の蓄積により,復調過程が著しく制限されていることを論じる。
  論文  参考訳（メタデータ） (2023-12-11T10:39:01Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Weakly Supervised Face and Whole Body Recognition in Turbulent Environments [2.2263723609685773]
  本稿では, 領域表現を生成し, 乱流像と原始像を共通部分空間に整列する, 弱教師付きフレームワークを提案する。 また、乱流画像で観測される幾何歪みを予測する新しい傾きマップ推定器も導入した。 提案手法では, 乱流のない画像や地対画像の合成は必要とせず, 注釈付きサンプルを著しく少なくする。
  論文  参考訳（メタデータ） (2023-08-22T19:58:02Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• MERF: Memory-Efficient Radiance Fields for Real-time View Synthesis in Unbounded Scenes [61.01853377661283]
  本稿では,ブラウザにおける大規模シーンのリアルタイムレンダリングを実現するメモリ効率のよいレイディアンスフィールド表現を提案する。 我々は,シーン座標を効率の良いレイボックス交叉を実現しつつ,境界体積にマッピングする新しい収縮関数を提案する。
  論文  参考訳（メタデータ） (2023-02-23T18:59:07Z)
• UNeRF: Time and Memory Conscious U-Shaped Network for Training Neural Radiance Fields [16.826691448973367]
  ニューラル・ラジアンス・フィールド(NeRF)は、新しいビュー合成とシーン再構成のための再構築の詳細を増大させる。 しかし、そのようなニューラルネットワークの解像度とモデルフリー性の向上は、高いトレーニング時間と過剰なメモリ要求のコストが伴う。 本研究では,近隣のサンプル点間で評価を部分的に共有することで,NeRFのサンプルベース計算の冗長性を利用する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T19:57:07Z)
• Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
  実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。 最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。 そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-24T18:58:21Z)

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。