論文の概要: GL-NeRF: Gauss-Laguerre Quadrature Enables Training-Free NeRF Acceleration

• arxiv url: http://arxiv.org/abs/2410.19831v1
• Date: Sat, 19 Oct 2024 04:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:49:37.972966
• Title: GL-NeRF: Gauss-Laguerre Quadrature Enables Training-Free NeRF Acceleration
• Title（参考訳）: GL-NeRF:Gauss-Laguerre Quadratureは、トレーニング不要のNeRF加速を可能にする
• Authors: Silong Yong, Yaqi Xie, Simon Stepputtis, Katia Sycara,
• Abstract要約: 本稿では,Gauss-Laguerre乗算を用いた計算量レンダリングの新しい視点であるGL-NeRFを提案する。 GL-NeRFはボリュームレンダリングに必要な呼び出し数を著しく削減し、追加のデータ構造やニューラルネットワークを導入しない。 GL-NeRFは,性能の低下を最小限に抑えることで,呼び出し回数を大幅に削減し,任意のNeRFモデルを高速化する可能性を示す。
• 参考スコア（独自算出の注目度）: 4.06770650829784
• License:
• Abstract: Volume rendering in neural radiance fields is inherently time-consuming due to the large number of MLP calls on the points sampled per ray. Previous works would address this issue by introducing new neural networks or data structures. In this work, We propose GL-NeRF, a new perspective of computing volume rendering with the Gauss-Laguerre quadrature. GL-NeRF significantly reduces the number of MLP calls needed for volume rendering, introducing no additional data structures or neural networks. The simple formulation makes adopting GL-NeRF in any NeRF model possible. In the paper, we first justify the use of the Gauss-Laguerre quadrature and then demonstrate this plug-and-play attribute by implementing it in two different NeRF models. We show that with a minimal drop in performance, GL-NeRF can significantly reduce the number of MLP calls, showing the potential to speed up any NeRF model.
• Abstract（参考訳）: 神経放射場における体積のレンダリングは、本質的には1線当たりの点に対する多数のMLP呼び出しのために時間を要する。 これまでの研究は、新しいニューラルネットワークやデータ構造を導入することでこの問題に対処する。 本稿では,Gauss-Laguerre乗算を用いた計算量レンダリングの新しい視点であるGL-NeRFを提案する。 GL-NeRFはボリュームレンダリングに必要なMPP呼び出し数を著しく削減し、追加のデータ構造やニューラルネットワークを導入しない。 この単純な定式化により、任意のNeRFモデルにGL-NeRFを採用することができる。 本稿ではまずGauss-Laguerre二次構造の使用を正当化し,このプラグ・アンド・プレイ特性を2つの異なるNeRFモデルに実装して実演する。 GL-NeRFは最小限の性能低下により,MLP呼び出し回数を大幅に削減し,任意のNeRFモデルを高速化する可能性を示す。

関連論文リスト

• G-NeLF: Memory- and Data-Efficient Hybrid Neural Light Field for Novel View Synthesis [9.376238965029819]
  本稿では、空間認識機能を利用してニューラルネットワークの推論能力の可能性を解き放つ汎用グリッドベースNeLFアプローチであるG-NeLFを提案する。 G-NeLFは、大きなストレージオーバーヘッドを必要とせず、以前の最先端のNeLFを超えるためのモデルサイズがわずか 0.95 MBであるように訓練することができる。
  論文  参考訳（メタデータ） (2024-09-09T13:52:58Z)
• 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)
• Learning a Diffusion Prior for NeRFs [84.99454404653339]
  正規化グリッド上に符号化されたNeRFを生成するために拡散モデルを提案する。 提案モデルでは,現実的なNeRFのサンプル化が可能である一方で,条件付き世代を許容すると同時に,特定の観察をガイダンスとして与えることができることを示す。
  論文  参考訳（メタデータ） (2023-04-27T19:24:21Z)
• FreeNeRF: Improving Few-shot Neural Rendering with Free Frequency Regularization [32.1581416980828]
  本稿では、従来の手法よりも優れた驚くほど単純なベースラインである周波数正規化NeRF(FreeNeRF)を提案する。 我々は、数ショットのニューラルレンダリングにおける重要な課題を分析し、NeRFのトレーニングにおいて周波数が重要な役割を果たすことを発見した。
  論文  参考訳（メタデータ） (2023-03-13T18:59:03Z)
• 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)
• Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
  我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。 提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2022-07-04T02:27:07Z)
• 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)
• Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields [45.84983186882732]
  mip-NeRF"("mipmap")は、NeRFを拡張してシーンを継続的に価値あるスケールで表現します。 mip-NeRFは、光線の代わりにアンチエイリアスコニカルフラストを効率的にレンダリングすることで、不快なエイリアスアーティファクトを低減します。 NeRFと比較して、mip-NeRFはNeRFで提示されたデータセットでは平均エラー率を16%、そのデータセットでは60%削減する。
  論文  参考訳（メタデータ） (2021-03-24T18:02:11Z)
• 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。