論文の概要: Low-Cost Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2605.09312v1
• Date: Sun, 10 May 2026 04:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.184553
• Title: Low-Cost Neural Radiance Fields
• Title（参考訳）: 低速度ニューラルラジアンス場
• Authors: Alice Huang, Prathamesh Sonawane, Yashdeep Thorat, Yug Rao,
• Abstract要約: 本研究では, DS-NeRF, TensoRF, HashNeRFの3種類の加速型NeRFの比較検討を行った。 テンソRF(TensoRF-DS)にCOLMAPキーポイントから導出される奥行き超過損失を付加し,それを縮小されたビューカウントで評価する。 我々はHashNeRF色と密度ネットワークの4つのアーキテクチャ的バリエーションを提案し、残差と畳み込みの設計を含む。
• 参考スコア（独自算出の注目度）: 0.7330284101822845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Radiance Fields (NeRF) achieve high-quality novel-view synthesis, but their long training times and reliance on dense input views limit accessibility. We present a comparative study of three accelerated NeRF variants - DS-NeRF, TensoRF, and HashNeRF and explore extensions targeted at the low-compute, low-data regime. First, we add a depth-supervision loss derived from COLMAP keypoints to TensoRF (TensoRF-DS) and evaluate it on the LLFF dataset under reduced view counts. Second, we ablate the feature-decoding MLP of TensoRF and study the effect of input downsampling on PSNR and runtime on the synthetic Lego scene. Third, we propose four architectural variants of the HashNeRF color and density networks, including residual and convolutional designs, and report PSNR/training-time tradeoffs under matched iteration budgets. Under iso-time evaluation, none of our extensions conclusively outperform the published baselines, but the experiments characterize which extensions transfer to constrained settings and surface design questions for future work.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は高品質なノベルビュー合成を実現するが、長いトレーニング時間と高密度のインプット・ビューへの依存はアクセシビリティを制限している。 本稿では, DS-NeRF, TensoRF, HashNeRFの3つの高速化されたNeRF変種の比較研究を行い, 低計算・低データ体制をターゲットとした拡張を探索する。 まず、COLMAPキーポイントから導出されるデプス・スーパービジョンロスをTensoRF(TensoRF-DS)に追加し、ビューカウントの削減の下でLLFFデータセット上で評価する。 第2に,テンソRFの特徴復号化MLPをアブレーションし,入力ダウンサンプリングがPSNRおよびランタイムに与える影響を合成レゴシーンで検討する。 第3に、HashNeRFの色と密度ネットワークの4つのアーキテクチャ的バリエーションを提案し、残差と畳み込みの設計を行い、PSNR/トレーニング時間トレードオフを反復予算で報告する。 アイソ時間評価では,どの拡張も公開ベースラインを決定的に上回りませんが,どの拡張が制約された設定に転送されるのか,将来の作業のための表面設計の課題を特徴付ける実験です。

関連論文リスト

• $Δ$-NeRF: Incremental Refinement of Neural Radiance Fields through Residual Control and Knowledge Transfer [7.885378415708355]
  $$-NeRFは、インクリメンタルなNeRFリファインメントのためのユニークなモジュラー残留フレームワークである。 衛星画像の実験では、$$-NeRFがジョイントトレーニングに匹敵するパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-11-25T19:46:15Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [136.15885067858298]
  本研究では、空間的に一貫した幾何フィルタリング機構と周波数誘導幾何正規化戦略により強化された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提案する。 実験により, SGCNeRFは, LLFFおよびDTUにおけるPSNRの0.7dBの改善により, 優れた幾何整合性を実現し, かつFreeNeRFを超えていることが示された。
  論文  参考訳（メタデータ） (2024-04-01T08:37:57Z)
• NeRF-VPT: Learning Novel View Representations with Neural Radiance Fields via View Prompt Tuning [63.39461847093663]
  本研究では,これらの課題に対処するための新しいビュー合成手法であるNeRF-VPTを提案する。 提案するNeRF-VPTは、先行レンダリング結果から得られたRGB情報を、その後のレンダリングステージのインストラクティブな視覚的プロンプトとして機能するカスケーディングビュープロンプトチューニングパラダイムを用いている。 NeRF-VPTは、追加のガイダンスや複雑なテクニックに頼ることなく、トレーニングステージ毎に前のステージレンダリングからRGBデータをサンプリングするだけである。
  論文  参考訳（メタデータ） (2024-03-02T22:08:10Z)
• Where and How: Mitigating Confusion in Neural Radiance Fields from Sparse Inputs [22.9859132310377]
  本稿では,新たな学習フレームワークであるWaH-NeRFについて述べる。 ポーズ摂動に基づく半教師付きNeRF学習パラダイムと、予測混乱を軽減するためのPixel-Patch対応損失を提案する。
  論文  参考訳（メタデータ） (2023-08-05T15:59:15Z)
• 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)
• NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
  主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。 提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
  論文  参考訳（メタデータ） (2021-12-03T07:33:47Z)

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。