論文の概要: NeRFPrior: Learning Neural Radiance Field as a Prior for Indoor Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2503.18361v1
• Date: Mon, 24 Mar 2025 05:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:36:12.108264
• Title: NeRFPrior: Learning Neural Radiance Field as a Prior for Indoor Scene Reconstruction
• Title（参考訳）: NeRFPrior: 屋内シーン再構築の先駆けとして神経放射場を学習する
• Authors: Wenyuan Zhang, Emily Yue-ting Jia, Junsheng Zhou, Baorui Ma, Kanle Shi, Yu-Shen Liu,
• Abstract要約: 我々は,ニューラルラジアンス場を符号付き距離場を学習するための先行として採用したNeRFPriorを提案する。 われわれのNeRFは、幾何学的手がかりと色覚的手がかりの両方を提供することができる。
• 参考スコア（独自算出の注目度）: 29.327834280750462
• License:
• Abstract: Recently, it has shown that priors are vital for neural implicit functions to reconstruct high-quality surfaces from multi-view RGB images. However, current priors require large-scale pre-training, and merely provide geometric clues without considering the importance of color. In this paper, we present NeRFPrior, which adopts a neural radiance field as a prior to learn signed distance fields using volume rendering for surface reconstruction. Our NeRF prior can provide both geometric and color clues, and also get trained fast under the same scene without additional data. Based on the NeRF prior, we are enabled to learn a signed distance function (SDF) by explicitly imposing a multi-view consistency constraint on each ray intersection for surface inference. Specifically, at each ray intersection, we use the density in the prior as a coarse geometry estimation, while using the color near the surface as a clue to check its visibility from another view angle. For the textureless areas where the multi-view consistency constraint does not work well, we further introduce a depth consistency loss with confidence weights to infer the SDF. Our experimental results outperform the state-of-the-art methods under the widely used benchmarks.
• Abstract（参考訳）: 近年、多視点RGB画像から高品質な表面を再構成する神経暗黙関数に先立って必要であることが示されている。 しかし、現在の事前学習には大規模な事前学習が必要であり、単に色の重要性を考慮せずに幾何学的手がかりを提供するだけである。 本稿では,表面再構成のためのボリュームレンダリングを用いて符号付き距離場を学習するために,ニューラルレイディアンス場を用いたNeRFPriorを提案する。 われわれのNeRFは、幾何学的手がかりと色覚的手がかりの両方を提供することができる。 我々は,NRFの先行原理に基づいて,表面推論のために各線交点に多視点一貫性制約を明示的に付与することにより,符号付き距離関数(SDF)を学習することができる。 具体的には、各光線交点において、前者の密度を粗い幾何学的推定として使用し、表面近傍の色を他の視角からの視認性を確認する手がかりとして使用します。 マルチビュー整合性制約がうまく機能しないテクスチャレス領域に対しては,SDFを推定するための信頼度重み付き深度整合性損失も導入する。 実験結果は,広く使用されているベンチマークにおいて,最先端の手法よりも優れていた。

関連論文リスト

• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• DiffusioNeRF: Regularizing Neural Radiance Fields with Denoising Diffusion Models [5.255302402546892]
  デノナイジング拡散モデル(DDM)を用いてシーン形状と色に関する事前学習を行う。 これらのRGBDパッチの対数勾配は、シーンの幾何や色を規則化するのに役立ちます。 最も関連性の高いデータセットであるLLFFの評価は、我々の学習前は、再構成された幾何学の質の向上と、新しいビューの改善を実現していることを示している。
  論文  参考訳（メタデータ） (2023-02-23T18:52:28Z)
• DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
  本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。 筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
  論文  参考訳（メタデータ） (2022-12-05T14:00:59Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
  我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。 提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
  論文  参考訳（メタデータ） (2021-12-02T18:59:51Z)
• Neural RGB-D Surface Reconstruction [15.438678277705424]
  神経放射場を学習する手法は驚くべき画像合成結果を示しているが、基礎となる幾何学表現は実際の幾何学の粗い近似にすぎない。 本研究では, より詳細な再現結果を得るために, 深度測定を放射場定式化に組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-04-09T18:00:01Z)

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。