論文の概要: GUMBEL-NERF: Representing Unseen Objects as Part-Compositional Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2410.20306v1
• Date: Sun, 27 Oct 2024 02:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:22:42.784765
• Title: GUMBEL-NERF: Representing Unseen Objects as Part-Compositional Neural Radiance Fields
• Title（参考訳）: GUMBEL-NERF:未確認物体を部分合成神経放射場として表現する
• Authors: Yusuke Sekikawa, Chingwei Hsu, Satoshi Ikehata, Rei Kawakami, Ikuro Sato,
• Abstract要約: 我々は、未確認物体の新規なビューを合成するための隠れた専門家選択機構を備えた、ME(Mix-of-expert)ニューラルラジアンスフィールド(NeRF)モデルであるGumbel-NeRFを提案する。 Gumbel-NeRF は,一対一の入力から未知の物体を新しい視点で合成するタスクに適用した場合,専門家の境界付近で低品質な表現を生成する。
• 参考スコア（独自算出の注目度）: 18.905955110108536
• License:
• Abstract: We propose Gumbel-NeRF, a mixture-of-expert (MoE) neural radiance fields (NeRF) model with a hindsight expert selection mechanism for synthesizing novel views of unseen objects. Previous studies have shown that the MoE structure provides high-quality representations of a given large-scale scene consisting of many objects. However, we observe that such a MoE NeRF model often produces low-quality representations in the vicinity of experts' boundaries when applied to the task of novel view synthesis of an unseen object from one/few-shot input. We find that this deterioration is primarily caused by the foresight expert selection mechanism, which may leave an unnatural discontinuity in the object shape near the experts' boundaries. Gumbel-NeRF adopts a hindsight expert selection mechanism, which guarantees continuity in the density field even near the experts' boundaries. Experiments using the SRN cars dataset demonstrate the superiority of Gumbel-NeRF over the baselines in terms of various image quality metrics.
• Abstract（参考訳）: 我々は、未確認物体の新規なビューを合成するための隠れた専門家選択機構を備えた、ME(Mix-of-expert)ニューラルラジアンスフィールド(NeRF)モデルであるGumbel-NeRFを提案する。 以前の研究では、MoE構造は多数の物体からなる与えられた大規模シーンの高品質な表現を提供することが示された。 しかし、このようなMoE NeRFモデルは、一対一の入力から未知の物体を新規に合成するタスクに適用した場合、しばしば専門家の境界付近で低品質の表現を生成する。 この劣化は、主に、専門家の境界付近の物体形状に不自然な不連続性を残す、フォレストの専門家選択機構によって引き起こされる。 Gumbel-NeRFは後ろ向きの専門家選択機構を採用しており、専門家の境界付近でも密度場の連続性を保証する。 SRNカーデータセットを用いた実験は、様々な画像品質指標において、ベースラインよりもGumbel-NeRFの方が優れていることを示す。

関連論文リスト

• ExtraNeRF: Visibility-Aware View Extrapolation of Neural Radiance Fields with Diffusion Models [60.48305533224092]
  ExtraNeRFはニューラル・ラジアンス・フィールド(NeRF)によって処理される視野を外挿する新しい方法である 主な考え方は、NeRFをシーン固有の細部までモデル化し、拡散モデルを利用して観測データを超えて外挿することです。
  論文  参考訳（メタデータ） (2024-06-10T09:44:06Z)
• Taming Latent Diffusion Model for Neural Radiance Field Inpainting [63.297262813285265]
  ニューラル・ラジアンス・フィールド(NeRF)は多視点画像からの3次元再構成の表現である。 本研究では,シーンごとのカスタマイズによる拡散モデルの傾向の緩和と,マスキングトレーニングによるテクスチャシフトの緩和を提案する。 我々のフレームワークは、様々な現実世界のシーンに最先端のNeRF塗装結果をもたらす。
  論文  参考訳（メタデータ） (2024-04-15T17:59:57Z)
• NeRF-HuGS: Improved Neural Radiance Fields in Non-static Scenes Using Heuristics-Guided Segmentation [76.02304140027087]
  我々は,HuGS(Huristics-Guided harmonily)という新しいパラダイムを提案する。 HuGSは、手作り合成の強さと最先端セグメンテーションモデルを組み合わせることで、過渡的イントラクタからの静的シーンの分離を大幅に強化する。 非定常場面で訓練されたNeRFの過渡的乱れを緩和する手法の優位性とロバスト性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-03-26T09:42:28Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• AltNeRF: Learning Robust Neural Radiance Field via Alternating Depth-Pose Optimization [25.44715538841181]
  AltNeRFは、既知のカメラのポーズに頼ることなく、回復力のあるNeRF表現を作成するように設計された新しいフレームワークである。 我々は、NeRF出力を調和して融合させる交互アルゴリズムを導入する。 SMDEは、コンデンス駆動のメカニズムにより拡張される。 深度事前の整合性 実験では、高忠実でロバストな新奇なビューを生成する上で、AltNeRFの魅力的な能力を示す。
  論文  参考訳（メタデータ） (2023-08-19T12:41:35Z)
• Self-NeRF: A Self-Training Pipeline for Few-Shot Neural Radiance Fields [17.725937326348994]
  入力ビューの少ない放射場を反復的に洗練する自己進化型NeRFであるSelf-NeRFを提案する。 各イテレーションでは、予測された色や、前回のイテレーションからモデルが生成した歪んだピクセルで、目に見えないビューをラベル付けします。 これらの拡張された擬似ビューは、NeRFの性能を低下させる色やワープアーティファクトのインプレクションによって悩まされる。
  論文  参考訳（メタデータ） (2023-03-10T08:22:36Z)
• 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)
• NeRF-Supervision: Learning Dense Object Descriptors from Neural Radiance Fields [54.27264716713327]
  シーンのニューラル・ラジアンス・フィールド(NeRF)表現は,高密度物体記述子の訓練に利用できることを示す。 我々は、最適化されたNeRFを用いて、オブジェクトの複数のビュー間の密接な対応を抽出し、これらの対応を、オブジェクトのビュー不変表現を学習するためのトレーニングデータとして使用する。 また,本手法により教師されたディエンス対応モデルは,市販の学習ディスクリプタよりも106%優れていた。
  論文  参考訳（メタデータ） (2022-03-03T18:49:57Z)
• Ref-NeRF: Structured View-Dependent Appearance for Neural Radiance Fields [40.72851892972173]
  本稿では,NeRFの視界依存放射のパラメータ化を反射放射率と構造表現に置き換えるRef-NeRFを提案する。 また,本モデルの内部的放射率表現は,シーン編集に有用であることを示す。
  論文  参考訳（メタデータ） (2021-12-07T18:58:37Z)

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。