論文の概要: Depth-Guided Bundle Sampling for Efficient Generalizable Neural Radiance Field Reconstruction

• arxiv url: http://arxiv.org/abs/2505.19793v1
• Date: Mon, 26 May 2025 10:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.352944
• Title: Depth-Guided Bundle Sampling for Efficient Generalizable Neural Radiance Field Reconstruction
• Title（参考訳）: 広汎化可能なニューラルラジアンスフィールド再構成のための奥行き誘導バンドサンプリング
• Authors: Li Fang, Hao Zhu, Longlong Chen, Fei Hu, Long Ye, Zhan Ma,
• Abstract要約: 高解像度画像は、すべての光線を高密度にサンプリングする必要があるため、計算集約的なままである。 レンダリングを高速化する新しい深度誘導型バンドルサンプリング戦略を提案する。 提案手法は最大1.27dBPSNRの改善とDTUデータセット上のFPSの47%増加を実現している。
• 参考スコア（独自算出の注目度）: 22.057122296909142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in generalizable novel view synthesis have achieved impressive quality through interpolation between nearby views. However, rendering high-resolution images remains computationally intensive due to the need for dense sampling of all rays. Recognizing that natural scenes are typically piecewise smooth and sampling all rays is often redundant, we propose a novel depth-guided bundle sampling strategy to accelerate rendering. By grouping adjacent rays into a bundle and sampling them collectively, a shared representation is generated for decoding all rays within the bundle. To further optimize efficiency, our adaptive sampling strategy dynamically allocates samples based on depth confidence, concentrating more samples in complex regions while reducing them in smoother areas. When applied to ENeRF, our method achieves up to a 1.27 dB PSNR improvement and a 47% increase in FPS on the DTU dataset. Extensive experiments on synthetic and real-world datasets demonstrate state-of-the-art rendering quality and up to 2x faster rendering compared to existing generalizable methods. Code is available at https://github.com/KLMAV-CUC/GDB-NeRF.
• Abstract（参考訳）: 一般化可能な新しいビュー合成の最近の進歩は、近くのビュー間の補間によって印象的な品質を実現している。 しかし、高解像度画像のレンダリングは、すべての光線を高密度にサンプリングする必要があるため、計算集約的なままである。 自然のシーンがスムーズで、全ての光線をサンプリングすることがしばしば冗長であることを認識し、レンダリングを高速化するための新しい深度誘導バンドルサンプリング戦略を提案する。 隣接した光線をバンドルにグループ化し、それらを集合的にサンプリングすることにより、バンドル内のすべての光線を復号するための共有表現を生成する。 さらに効率を最適化するため, 適応サンプリング手法では, 深度信頼度に基づいて試料を動的に割り当て, よりスムーズな領域で試料を減らし, 複雑な領域に試料を集中的に配置する。 ENeRFに適用すると、DTUデータセット上で最大1.27dBのPSNR改善と47%のFPS向上が達成される。 合成および実世界のデータセットに関する大規模な実験は、既存の一般化可能な手法と比較して最先端のレンダリング品質と最大2倍高速なレンダリングを示す。 コードはhttps://github.com/KLMAV-CUC/GDB-NeRFで入手できる。

関連論文リスト

• EnvGS: Modeling View-Dependent Appearance with Environment Gaussian [78.74634059559891]
  EnvGSは、環境の反射を捉えるための明示的な3D表現として、ガウスプリミティブのセットを利用する新しいアプローチである。 これらの環境を効率的にレンダリングするために,高速レンダリングにGPUのRTコアを利用するレイトレーシングベースのリフレクションを開発した。 複数の実世界および合成データセットから得られた結果は,本手法がより詳細な反射を生成することを示す。
  論文  参考訳（メタデータ） (2024-12-19T18:59:57Z)
• Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
  本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。 我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。 また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
  論文  参考訳（メタデータ） (2023-11-16T18:58:55Z)
• Learning Neural Duplex Radiance Fields for Real-Time View Synthesis [33.54507228895688]
  本研究では,NeRFを高効率メッシュベースニューラル表現に蒸留・焼成する手法を提案する。 提案手法の有効性と優位性を,各種標準データセットの広範な実験を通じて実証する。
  論文  参考訳（メタデータ） (2023-04-20T17:59:52Z)
• 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)
• AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance Fields [8.214695794896127]
  新たなビュー合成は、スパース観測から直接神経放射場を学習することで、近年革新されている。 この新たなパラダイムによる画像のレンダリングは、ボリュームレンダリング方程式の正確な4分の1は、各光線に対して大量のサンプルを必要とするため、遅い。 本稿では,必要なサンプル点数を最大限に削減する方法を学習し,方向性を示す新しいデュアルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-21T05:59:13Z)
• RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
  約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。 データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。 高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
  論文  参考訳（メタデータ） (2022-05-14T13:15:32Z)
• 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)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)

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。