論文の概要: Exploring Active Learning for Label-Efficient Training of Semantic Neural Radiance Field

• arxiv url: http://arxiv.org/abs/2507.17351v1
• Date: Wed, 23 Jul 2025 09:34:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.941178
• Title: Exploring Active Learning for Label-Efficient Training of Semantic Neural Radiance Field
• Title（参考訳）: セマンティック・ニューラル・ラディアンス・フィールドのラベル効率向上のためのアクティブ・ラーニングの探索
• Authors: Yuzhe Zhu, Lile Cai, Kangkang Lu, Fayao Liu, Xulei Yang,
• Abstract要約: 意味論的に認識するNeRFのトレーニングにはピクセルレベルのラベルが必要だ。 サンプル選択における3次元幾何学的制約を考慮した新しいアクティブラーニング戦略を提案する。 実験により,能動学習は意味認識型NeRFのアノテーションコストを効果的に低減し,ランダムサンプリングと比較してアノテーションコストを2倍以上に削減できることが示された。
• 参考スコア（独自算出の注目度）: 10.596034142000201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Radiance Field (NeRF) models are implicit neural scene representation methods that offer unprecedented capabilities in novel view synthesis. Semantically-aware NeRFs not only capture the shape and radiance of a scene, but also encode semantic information of the scene. The training of semantically-aware NeRFs typically requires pixel-level class labels, which can be prohibitively expensive to collect. In this work, we explore active learning as a potential solution to alleviate the annotation burden. We investigate various design choices for active learning of semantically-aware NeRF, including selection granularity and selection strategies. We further propose a novel active learning strategy that takes into account 3D geometric constraints in sample selection. Our experiments demonstrate that active learning can effectively reduce the annotation cost of training semantically-aware NeRF, achieving more than 2X reduction in annotation cost compared to random sampling.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(Neural Radiance Field、NeRF)モデルは、新しいビュー合成において前例のない機能を提供する暗黙のニューラル・シーン表現法である。 セマンティックに認識するNeRFは、シーンの形状と放射率をキャプチャするだけでなく、シーンの意味情報をエンコードする。 意味的に認識されるNeRFのトレーニングは通常、ピクセルレベルのクラスラベルを必要とする。 本研究では,アノテーションの負担を軽減するための潜在的解決策として,能動的学習を探求する。 我々は,選択粒度や選択戦略を含む,意味認識型NeRFの能動的学習のための設計選択について検討する。 さらに,サンプル選択における3次元幾何学的制約を考慮した新しいアクティブラーニング戦略を提案する。 実験の結果, 能動学習は意味認識型NeRFのアノテーションコストを効果的に低減し, ランダムサンプリングに比べて2倍以上のアノテーションコストを削減できることがわかった。

関連論文リスト

• Active Learning with a Noisy Annotator [13.272510644778105]
  ノイズ対応アクティブサンプリング(NAS)と呼ばれる新しいフレームワークを提案する。 NASは、ノイズの多い代表者の選択により発見されていない領域を特定し、これらの領域の再サンプリングを可能にする。 NASは、様々なノイズタイプとレートで標準的なアクティブラーニング手法の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-06T14:27:27Z)
• Gear-NeRF: Free-Viewpoint Rendering and Tracking with Motion-aware Spatio-Temporal Sampling [70.34875558830241]
  本研究では,シーンをレンダリングする動的領域の階層化モデリングを可能にする意味的セマンティックギアに基づく,時間的(4D)埋め込みの学習方法を提案する。 同時に、ほぼ無償で、当社のトラッキングアプローチは、既存のNeRFベースのメソッドでまだ達成されていない機能である、自由視点(free-view of interest)を可能にします。
  論文  参考訳（メタデータ） (2024-06-06T03:37:39Z)
• Learning a Diffusion Prior for NeRFs [84.99454404653339]
  正規化グリッド上に符号化されたNeRFを生成するために拡散モデルを提案する。 提案モデルでは,現実的なNeRFのサンプル化が可能である一方で,条件付き世代を許容すると同時に,特定の観察をガイダンスとして与えることができることを示す。
  論文  参考訳（メタデータ） (2023-04-27T19:24:21Z)
• AutoNeRF: Training Implicit Scene Representations with Autonomous Agents [42.90747351247687]
  ニューラルレージアンス場(NeRF)のような入射表現は、新規なビュー合成に非常に有効であることが示されている。 本稿では,自律的エンボディエージェントを用いたNeRF訓練に必要なデータ収集手法であるAutoNeRFを提案する。
  論文  参考訳（メタデータ） (2023-04-21T20:22:17Z)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• 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)
• ActiveNeRF: Learning where to See with Uncertainty Estimation [36.209200774203005]
  近年,Neural Radiance Fields (NeRF) は,3次元シーンの再構成や,スパース2次元画像からの新規ビューの合成に有望な性能を示した。 本稿では,制約のある入力予算で3Dシーンをモデル化することを目的とした,新しい学習フレームワークであるActiveNeRFを提案する。
  論文  参考訳（メタデータ） (2022-09-18T12:09:15Z)
• UNeRF: Time and Memory Conscious U-Shaped Network for Training Neural Radiance Fields [16.826691448973367]
  ニューラル・ラジアンス・フィールド(NeRF)は、新しいビュー合成とシーン再構成のための再構築の詳細を増大させる。 しかし、そのようなニューラルネットワークの解像度とモデルフリー性の向上は、高いトレーニング時間と過剰なメモリ要求のコストが伴う。 本研究では,近隣のサンプル点間で評価を部分的に共有することで,NeRFのサンプルベース計算の冗長性を利用する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T19:57:07Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• 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。