論文の概要: Tile and Slide : A New Framework for Scaling NeRF from Local to Global 3D Earth Observation

• arxiv url: http://arxiv.org/abs/2507.01631v1
• Date: Wed, 02 Jul 2025 11:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.182297
• Title: Tile and Slide : A New Framework for Scaling NeRF from Local to Global 3D Earth Observation
• Title（参考訳）: Tile and Slide : 局所からグローバル3次元地球観測へのNeRFのスケーリングのための新しいフレームワーク
• Authors: Camille Billouard, Dawa Derksen, Alexandre Constantin, Bruno Vallet,
• Abstract要約: Snake-NeRFは大きなシーンにスケールするフレームワークだ。 重なり合うことなく3次元タイルを持つNeRFに関心領域を分割することでこれを実現できる。 そこで本研究では, タイル縁に沿った3次元再構成誤差を防止するために, 新たな2時間2ドル3次元タイル進行戦略とセグメンテーションサンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 45.22460694311405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Radiance Fields (NeRF) have recently emerged as a paradigm for 3D reconstruction from multiview satellite imagery. However, state-of-the-art NeRF methods are typically constrained to small scenes due to the memory footprint during training, which we study in this paper. Previous work on large-scale NeRFs palliate this by dividing the scene into NeRFs. This paper introduces Snake-NeRF, a framework that scales to large scenes. Our out-of-core method eliminates the need to load all images and networks simultaneously, and operates on a single device. We achieve this by dividing the region of interest into NeRFs that 3D tile without overlap. Importantly, we crop the images with overlap to ensure each NeRFs is trained with all the necessary pixels. We introduce a novel $2\times 2$ 3D tile progression strategy and segmented sampler, which together prevent 3D reconstruction errors along the tile edges. Our experiments conclude that large satellite images can effectively be processed with linear time complexity, on a single GPU, and without compromise in quality.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、最近、マルチビュー衛星画像からの3次元再構成のパラダイムとして登場した。 しかし,現在最先端のNeRF法は,トレーニング中のメモリフットプリントが原因で,小さなシーンに制約されることが多い。 大規模なNeRFに関する以前の研究は、シーンをNeRFに分割することでこれを緩和した。 本稿では,大規模シーンにスケールするフレームワークであるSnake-NeRFを紹介する。 我々のアウト・オブ・コア方式は、すべての画像とネットワークを同時にロードする必要をなくし、単一のデバイス上で動作します。 重なり合うことなく3次元タイルを持つNeRFに関心領域を分割することでこれを実現できる。 重要なことは、画像が重なり合って、各NeRFがすべての必要なピクセルでトレーニングされていることを保証することです。 本稿では,2ドル3次元タイル進行戦略とセグメンテーションサンプリングを導入し,タイル縁に沿った3次元再構成誤差を防止した。 実験の結果,大規模な衛星画像は1つのGPU上で1つの線形時間的複雑さで効果的に処理でき,品質を損なうことなく処理できることがわかった。

関連論文リスト

• Inpaint4DNeRF: Promptable Spatio-Temporal NeRF Inpainting with Generative Diffusion Models [59.96172701917538]
  現在のニューラル・ラジアンス・フィールド(NeRF)はフォトリアリスティック・ノベルビューを生成することができる。 本稿ではInpaint4DNeRFを提案する。
  論文  参考訳（メタデータ） (2023-12-30T11:26:55Z)
• PERF: Panoramic Neural Radiance Field from a Single Panorama [109.31072618058043]
  PERFはパノラマ性神経放射場を1つのパノラマから訓練する新しいビュー合成フレームワークである。 本研究では,360度2Dシーンを3Dシーンに持ち上げるために,新しい共同RGBDインペイント法とプログレッシブ・インペイント・アンド・エラスティング法を提案する。 PERFは,パノラマから3D,テキストから3D,3Dシーンのスタイリングなど,現実世界のアプリケーションに広く利用することができる。
  論文  参考訳（メタデータ） (2023-10-25T17:59:01Z)
• Registering Neural Radiance Fields as 3D Density Images [55.64859832225061]
  我々は,様々な場面でトレーニングやテストが可能な,普遍的な事前学習型ニューラルネットワークを提案する。 我々は,グローバルアプローチとして,NeRFモデルを効果的に登録できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:46Z)
• MultiPlaneNeRF: Neural Radiance Field with Non-Trainable Representation [6.860380947025009]
  NeRFは2D画像から3Dオブジェクトを効率的に表現する人気モデルである。 上記の問題を同時に解くモデルとして,MultiPlaneNeRFを提案する。
  論文  参考訳（メタデータ） (2023-05-17T21:27:27Z)
• NeRFusion: Fusing Radiance Fields for Large-Scale Scene Reconstruction [50.54946139497575]
  我々は,NeRF と TSDF をベースとした核融合技術の利点を組み合わせて,大規模再構築とフォトリアリスティックレンダリングを実現する手法であるNeRFusion を提案する。 我々は,大規模な屋内・小規模の両方の物体シーンにおいて,NeRFの最先端性を達成し,NeRFや他の最近の手法よりも大幅に高速に再現できることを実証した。
  論文  参考訳（メタデータ） (2022-03-21T18:56:35Z)
• Mega-NeRF: Scalable Construction of Large-Scale NeRFs for Virtual Fly-Throughs [54.41204057689033]
  我々は、ニューラルネットワーク(NeRF)を活用して、建物にまたがる大規模な視覚的キャプチャーや、主にドローンデータから収集された複数の都市ブロックからインタラクティブな3D環境を構築する方法について検討する。 NeRFが伝統的に評価されている単一のオブジェクトシーンとは対照的に、この設定には複数の課題がある。 我々は、訓練画像(またはむしろピクセル)を、並列で訓練できる異なるNeRFサブモジュールに分割する単純なクラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2021-12-20T17:40:48Z)
• pixelNeRF: Neural Radiance Fields from One or Few Images [20.607712035278315]
  pixelNeRFは、1つまたは少数の入力画像に条件付された連続的なニューラルシーン表現を予測する学習フレームワークである。 本研究では,単一画像の新規ビュー合成タスクのためのShapeNetベンチマーク実験を行った。 いずれの場合も、ピクセルNeRFは、新しいビュー合成とシングルイメージ3D再構成のための最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-12-03T18:59:54Z)

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。