論文の概要: Exploring Metric Fusion for Evaluation of NeRFs

• arxiv url: http://arxiv.org/abs/2509.12836v1
• Date: Tue, 16 Sep 2025 08:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.982936
• Title: Exploring Metric Fusion for Evaluation of NeRFs
• Title（参考訳）: NeRF評価のためのメトリフュージョンの探索
• Authors: Shreyas Shivakumara, Gabriel Eilertsen, Karljohan Lundin Palmerius,
• Abstract要約: 本研究では, 融合法と個別スコアの相関係数と主観的スコアとを比較し, 融合指標の堅牢性と一般化性を示す。 提案されたパイプラインは、SyntheticとOutdoorの2つの異なるデータセットでテストされており、そのパフォーマンスは3つの異なる構成で評価されている。
• 参考スコア（独自算出の注目度）: 0.9239779358333178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Radiance Fields (NeRFs) have demonstrated significant potential in synthesizing novel viewpoints. Evaluating the NeRF-generated outputs, however, remains a challenge due to the unique artifacts they exhibit, and no individual metric performs well across all datasets. We hypothesize that combining two successful metrics, Deep Image Structure and Texture Similarity (DISTS) and Video Multi-Method Assessment Fusion (VMAF), based on different perceptual methods, can overcome the limitations of individual metrics and achieve improved correlation with subjective quality scores. We experiment with two normalization strategies for the individual metrics and two fusion strategies to evaluate their impact on the resulting correlation with the subjective scores. The proposed pipeline is tested on two distinct datasets, Synthetic and Outdoor, and its performance is evaluated across three different configurations. We present a detailed analysis comparing the correlation coefficients of fusion methods and individual scores with subjective scores to demonstrate the robustness and generalizability of the fusion metrics.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、新しい視点を合成する大きな可能性を証明している。 しかし、NeRF生成した出力を評価することは、それらが示すユニークな成果物のために依然として課題であり、すべてのデータセットで個々の測定値がうまく機能することはない。 深層画像構造とテクスチャ類似度(DISTS)とビデオマルチメソッドアセスメントフュージョン(VMAF)の2つの成功指標を組み合わせることで、個々の指標の限界を克服し、主観的品質スコアとの相関性を向上させることができると仮定する。 個別のメトリクスに対する2つの正規化戦略と2つの融合戦略を実験し、その結果の主観的スコアとの相関性を評価する。 提案されたパイプラインは、SyntheticとOutdoorの2つの異なるデータセットでテストされており、そのパフォーマンスは3つの異なる構成で評価されている。 本稿では,融合法と個別スコアの相関係数を主観的スコアと比較し,融合測定の堅牢性と一般化性を示す。

関連論文リスト

• A Unifying Information-theoretic Perspective on Evaluating Generative Models [5.524685807042777]
  最近のいくつかのアプローチでは、分類領域から借用された「精度」と「リコール」を利用して、出力の忠実度(リアリズム)と出力の多様性(実データ変動の表現)を個別に定量化している。 我々は、kNN密度推定のアプローチを用いて、kth-nearest-neighbors(kNN)ベースのメトリクスのクラスを情報理論レンズの下に統一する。 高精度クロスエントロピー(PCE)、リコールクロスエントロピー(RCE)、リコールエントロピー(RE)からなる3次元計量を提案する。
  論文  参考訳（メタデータ） (2024-12-18T21:17:02Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• MoFE: Mixture of Factual Experts for Controlling Hallucinations in Abstractive Summarization [18.464765966462135]
  MoFE(Mixture of Factual Experts)モデルは、特定のタイプのエラーをターゲットとする複数の要約専門家を組み合わせたモデルである。 BARTモデルの実験では、MoFEはエンティティの重複と依存性の弧の包含の両方に応じてパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2021-10-14T06:02:54Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
  信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。 多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
  論文  参考訳（メタデータ） (2021-03-31T18:28:14Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)

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。