論文の概要: Geometry Regularization for Vanilla NeRF via Self-Supervised Cross-Ray Consistency

• arxiv url: http://arxiv.org/abs/2610.27776v1
• Date: Tue, 20 Oct 2026 07:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.701088
• Title: Geometry Regularization for Vanilla NeRF via Self-Supervised Cross-Ray Consistency
• Title（参考訳）: 自己監督型クロスレイト一貫性によるバニラNeRFの幾何規則化
• Abstract要約: バニラNeRFの密度場によって符号化された幾何学はノイズがあり不正確である。 我々は、自己教師付きクロスレイ一貫性に基づく幾何最適化ブランチでバニラNeRFを増強する。 8つのレプリカシーンの実験では、提案手法により、バニラ型NeRFと比較して平均チャンファー距離が30.8%減少することが示された。
• 参考スコア（独自算出の注目度）: 0.9391375268580807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Radiance Fields (NeRF) achieve high-quality novel-view synthesis by representing a scene as a continuous volumetric radiance field. However, the geometry encoded by the density field of vanilla NeRF can be noisy and inaccurate, since different combinations of shape and radiance may explain the same input images. To reduce this ambiguity, we augment vanilla NeRF with a geometry-optimization branch based on self-supervised cross-ray consistency. Specifically, this branch samples candidate surface points from the density field, generates virtual rays that intersect at each point from different directions, and renders their appearance using the NeRF network. Based on the visibility-weighted color consistency across these rays, we constrain the implicit geometry. We further regularize the implicit geometry by penalizing opacity at candidates with inconsistent appearance predictions and encouraging local normal smoothness. These geometric constraints are derived from the NeRF predictions and require no ground-truth depth or surface-normal supervision. Experiments on eight Replica scenes show that the proposed method reduces the mean Chamfer distance by 30.8% compared with vanilla NeRF.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は,シーンを連続的なボリューム・ラジアンス・フィールドとして表現することにより,高品質なノベルビュー合成を実現する。 しかしながら、バニラNeRFの密度場によって符号化された幾何学は、形状と放射の異なる組み合わせが同じ入力画像を説明するため、ノイズが多く不正確な場合がある。 このあいまいさを軽減するために、自己教師付きクロスレイ一貫性に基づく幾何最適化ブランチでバニラNeRFを増強する。 具体的には、この枝は、密度場から候補表面点をサンプリングし、各点と異なる方向から交差する仮想光線を生成し、NeRFネットワークを用いてその外観をレンダリングする。 これらの光線を可視的に重み付けした色一貫性に基づいて、暗黙的幾何を制約する。 さらに,不連続な外見予測の候補に対して不透明性を罰し,局所的な正常な滑らかさを奨励することで,暗黙の幾何学を規則化する。 これらの幾何学的制約は、NeRF予測から導かれ、地表面の深度や表面の正常な監督を必要としない。 8つのレプリカシーンの実験では、提案手法により、バニラ型NeRFと比較して平均チャンファー距離が30.8%減少することが示された。

関連論文リスト

• Surf-NeRF: Surface Regularised Neural Radiance Fields [3.830184399033188]
  格子をベースとしたハッシュ符号化により、NeRFがより幾何学的に正確なシーン表現へと収束することを示す。 提案手法は, 反射パラメタライゼーションを用いた従来の格子型NeRF変種よりも28%精度が高い。
  論文  参考訳（メタデータ） (2024-11-27T03:18:02Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• Taming Latent Diffusion Model for Neural Radiance Field Inpainting [63.297262813285265]
  ニューラル・ラジアンス・フィールド(NeRF)は多視点画像からの3次元再構成の表現である。 本研究では,シーンごとのカスタマイズによる拡散モデルの傾向の緩和と,マスキングトレーニングによるテクスチャシフトの緩和を提案する。 我々のフレームワークは、様々な現実世界のシーンに最先端のNeRF塗装結果をもたらす。
  論文  参考訳（メタデータ） (2024-04-15T17:59:57Z)
• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• VDN-NeRF: Resolving Shape-Radiance Ambiguity via View-Dependence Normalization [12.903147173026968]
  VDN-NeRF(VDN-NeRF)は、非ランベルト面および動的照明条件下で、より優れた幾何学のために神経放射場(NeRF)を訓練する手法である。 学習したNeRFに符号化された不変情報を蒸留することにより、ビュー依存性を正規化する手法を開発した。
  論文  参考訳（メタデータ） (2023-03-31T11:13:17Z)
• GeCoNeRF: Few-shot Neural Radiance Fields via Geometric Consistency [31.22435282922934]
  我々は、幾何認識整合性正規化を伴う数ショット設定でニューラルラジアンス場(NeRF)を正則化する新しいフレームワークを提案する。 本研究では,最新の数発のNeRFモデルと比較して,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-26T05:14:12Z)

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。