論文の概要: NeuGen: Amplifying the 'Neural' in Neural Radiance Fields for Domain Generalization

• arxiv url: http://arxiv.org/abs/2505.06894v1
• Date: Sun, 11 May 2025 08:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.097321
• Title: NeuGen: Amplifying the 'Neural' in Neural Radiance Fields for Domain Generalization
• Title（参考訳）: NeuGen: ドメイン一般化のためのニューラルネットワーク分野における"ニューラル"の増幅
• Authors: Ahmed Qazi, Abdul Basit, Asim Iqbal,
• Abstract要約: 我々は,脳にインスパイアされた新しい正規化手法を主要なNeRFアーキテクチャに統合することを提案する。 NeuGenはドメイン不変の特徴を抽出し、モデルの一般化能力を向上する。 我々の研究は、神経科学の原則とディープラーニングの枠組みを融合させる可能性を実証している。
• 参考スコア（独自算出の注目度）: 1.6590638305972631
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural Radiance Fields (NeRF) have significantly advanced the field of novel view synthesis, yet their generalization across diverse scenes and conditions remains challenging. Addressing this, we propose the integration of a novel brain-inspired normalization technique Neural Generalization (NeuGen) into leading NeRF architectures which include MVSNeRF and GeoNeRF. NeuGen extracts the domain-invariant features, thereby enhancing the models' generalization capabilities. It can be seamlessly integrated into NeRF architectures and cultivates a comprehensive feature set that significantly improves accuracy and robustness in image rendering. Through this integration, NeuGen shows improved performance on benchmarks on diverse datasets across state-of-the-art NeRF architectures, enabling them to generalize better across varied scenes. Our comprehensive evaluations, both quantitative and qualitative, confirm that our approach not only surpasses existing models in generalizability but also markedly improves rendering quality. Our work exemplifies the potential of merging neuroscientific principles with deep learning frameworks, setting a new precedent for enhanced generalizability and efficiency in novel view synthesis. A demo of our study is available at https://neugennerf.github.io.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、新しいビュー・シンセサイザーの分野を著しく進歩させてきたが、様々なシーンや状況にまたがる一般化は依然として困難である。 そこで本研究では,脳にインスパイアされた新しい正規化手法であるNeuGen(NeuGen)を,MVSNeRFやGeoNeRFを含む主要なNeRFアーキテクチャに統合することを提案する。 NeuGenはドメイン不変の特徴を抽出し、モデルの一般化能力を向上する。 シームレスにNeRFアーキテクチャに統合することができ、画像レンダリングの精度と堅牢性を大幅に向上させる包括的な機能セットを育むことができる。 この統合を通じてNeuGenは、最先端のNeRFアーキテクチャをまたいださまざまなデータセットのベンチマークのパフォーマンスを改善し、さまざまなシーンをまたいでより一般化できるようにする。 我々の包括的評価は、量的および質的評価の両方において、我々のアプローチが既存のモデルの一般化可能性を上回るだけでなく、レンダリング品質も著しく向上することを確認した。 本研究は,神経科学の原理と深層学習の枠組みを融合させる可能性を実証し,新しい視点合成における一般化可能性と効率性向上の新たな先例を定めている。 私たちの研究のデモはhttps://neugennerf.github.io.comで公開されている。

関連論文リスト

• NeuRN: Neuro-inspired Domain Generalization for Image Classification [0.0]
  哺乳類の視覚野のニューロンからインスピレーションを受ける神経誘発ニューラルレスポンスノーマライゼーション(Neural Response Normalization)層を導入する。 画像分類タスクにおけるベースラインに対する改善を示すことにより,NeuRNの有効性を実証した。
  論文  参考訳（メタデータ） (2025-05-11T07:20:11Z)
• Meta-Continual Learning of Neural Fields [36.12465376767014]
  この研究は、EmphMeta-Continual Learning of Neural Fields (MCL-NF)と呼ばれる新しい問題設定を公表する。 モジュールアーキテクチャと最適化に基づくメタラーニングを組み合わせた新しい戦略を導入する。 画像、音声、ビデオ再構成、ビュー合成タスクを6つの多様なデータセット上で評価する。
  論文  参考訳（メタデータ） (2025-04-08T08:38:37Z)
• Geometric Neural Process Fields [58.77241763774756]
  幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。 これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-02-04T14:17:18Z)
• Learning Robust Generalizable Radiance Field with Visibility and Feature Augmented Point Representation [7.203073346844801]
  本稿では、一般化可能なニューラル放射場(NeRF)のための新しいパラダイムを提案する。 本稿では、画像ベースレンダリングではなく、点ベースに基づく一般化可能なニューラルネットワークを構築するための第1のパラダイムを提案する。 我々のアプローチは、幾何的先行性によって鮮度を明示的にモデル化し、それらをニューラル特徴で拡張する。
  論文  参考訳（メタデータ） (2024-01-25T17:58:51Z)
• PNeRFLoc: Visual Localization with Point-based Neural Radiance Fields [54.8553158441296]
  統一された点ベース表現に基づく新しい視覚的ローカライゼーションフレームワーク PNeRFLoc を提案する。 一方、PNeRFLocは2次元特徴点と3次元特徴点をマッチングして初期ポーズ推定をサポートする。 一方、レンダリングベースの最適化を用いた新しいビュー合成によるポーズ改善も実現している。
  論文  参考訳（メタデータ） (2023-12-17T08:30:00Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [73.50359502037232]
  VoxNeRFは、ニューラル室内再構成と新しいビュー合成の質と効率を高めるための新しいアプローチである。 本稿では,最も関連性の高い領域に計算資源を割り当てる効率的なボクセル誘導サンプリング手法を提案する。 私たちのアプローチは、ScanNetとScanNet++に関する広範な実験で検証されています。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)
• Enhancing NeRF akin to Enhancing LLMs: Generalizable NeRF Transformer with Mixture-of-View-Experts [88.23732496104667]
  クロスシーンの一般化可能なNeRFモデルは、NeRFフィールドの新たなスポットライトとなっている。 我々は、大規模言語モデルから強力なMixture-of-Experts(MoE)のアイデアを"神経化"アーキテクチャにブリッジする。 提案手法は,GNT-MOVE (Mixture-of-View-Experts) とよばれるモデルで,未知のシーンに移動する際の最先端の結果を実験的に示す。
  論文  参考訳（メタデータ） (2023-08-22T21:18:54Z)
• GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from Multi-view Images [79.39247661907397]
  本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。 具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
  論文  参考訳（メタデータ） (2023-03-24T03:32:02Z)
• NeRFLiX: High-Quality Neural View Synthesis by Learning a Degradation-Driven Inter-viewpoint MiXer [44.220611552133036]
  我々は、分解駆動の視点間ミキサーを学習し、NeRFLiXを提案する。 また,高度に関連した高品質な訓練画像の融合が可能な視点間集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-13T08:36:30Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。