論文の概要: PhysicsNeRF: Physics-Guided 3D Reconstruction from Sparse Views

• arxiv url: http://arxiv.org/abs/2505.23481v1
• Date: Thu, 29 May 2025 14:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.901913
• Title: PhysicsNeRF: Physics-Guided 3D Reconstruction from Sparse Views
• Title（参考訳）: 物理学NeRF:スパークビューからの物理誘導型3D再構成
• Authors: Mohamed Rayan Barhdadi, Hasan Kurban, Hussein Alnuweiri,
• Abstract要約: PhysicsNeRFは、スパースビューからの3D再構成のための物理的基盤となるフレームワークである。 ディープランキング、RegNeRFスタイルの整合性、スパシティ事前、クロスビューアライメントの4つの相補的な制約で、Neural Radiance Fieldsを拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PhysicsNeRF is a physically grounded framework for 3D reconstruction from sparse views, extending Neural Radiance Fields with four complementary constraints: depth ranking, RegNeRF-style consistency, sparsity priors, and cross-view alignment. While standard NeRFs fail under sparse supervision, PhysicsNeRF employs a compact 0.67M-parameter architecture and achieves 21.4 dB average PSNR using only 8 views, outperforming prior methods. A generalization gap of 5.7-6.2 dB is consistently observed and analyzed, revealing fundamental limitations of sparse-view reconstruction. PhysicsNeRF enables physically consistent, generalizable 3D representations for agent interaction and simulation, and clarifies the expressiveness-generalization trade-off in constrained NeRF models.
• Abstract（参考訳）: PhysicsNeRFは、スパークビューからの3D再構成のための物理的基盤となるフレームワークで、ディープランキング、RegNeRFスタイルの整合性、スパーシティ先行、およびクロスビューアライメントの4つの相補的な制約でニューラルレージアンスフィールドを拡張している。 標準のNeRFはスパース監督下では失敗するが、NRFはコンパクトな0.67Mパラメータアーキテクチャを採用し、8ビューのみを使用して平均21.4dBPSNRを達成し、先行手法より優れている。 5.7-6.2 dBの一般化ギャップは一貫して観察され、解析され、スパースビュー再構成の基本的な限界が明らかになった。 PhysicsNeRFは、エージェントの相互作用とシミュレーションのための物理的に一貫した一般化可能な3D表現を可能にし、制約されたNeRFモデルにおける表現性-一般化トレードオフを明らかにする。

関連論文リスト

• PBR-NeRF: Inverse Rendering with Physics-Based Neural Fields [49.6405458373509]
  シーン形状,材料,照明を共同で推定できる逆レンダリング(IR)モデルを提案する。 本手法は, 材料推定を必要とする他の逆レンダリングおよび3次元再構成フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-12T19:00:21Z)
• SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
  FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。 新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。 モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
  論文  参考訳（メタデータ） (2024-04-01T08:37:57Z)
• Clean-NeRF: Reformulating NeRF to account for View-Dependent Observations [67.54358911994967]
  本稿では,複雑なシーンにおける3次元再構成と新しいビューレンダリングのためのクリーンネRFを提案する。 clean-NeRFはプラグインとして実装することができ、既存のNeRFベースのメソッドを追加入力なしですぐに利用することができる。
  論文  参考訳（メタデータ） (2023-03-26T12:24:31Z)
• DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields [56.30120727729177]
  DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。 提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
  論文  参考訳（メタデータ） (2023-03-20T18:03:32Z)
• 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)

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。