論文の概要: DriftNeRF: Cross-Ray Density Drifting for Sparse-View Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2610.29106v1
• Date: Wed, 21 Oct 2026 02:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.183508
• Title: DriftNeRF: Cross-Ray Density Drifting for Sparse-View Neural Radiance Fields
• Title（参考訳）: DriftNeRF:Sparse-View Neural Radiance Fieldのためのクロス線密度ドリフト
• Abstract要約: 我々は、特定の測定可能な欠陥を目的自体に当てはめている:レンダリング損失は独立した光線に対する和である。 トレーニング中に直接、X線密度の不一致を測定することで、この量を明示する。 DriftNeRFは、密度サンプル上のドリフトフィールドテンプレートをインスタンス化する正則化器である。
• 参考スコア（独自算出の注目度）: 20.099477835723704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Radiance Fields (NeRF) synthesize photorealistic novel views from dense image collections, but degrade sharply when few views are available. We attribute a specific, measurable defect to the objective itself: the rendering loss is a sum over independent rays and contains no term comparing densities that different rays assign to the same region of space, so nearby 3D points can settle on contradictory densities while every training pixel is reproduced correctly. We make this quantity explicit by measuring cross-ray density disagreement directly during training, and show that it stays high in vanilla NeRF, falls only incidentally under frequency-based regularization, and moves together with held-out quality in the sparse regime. We then close the gap with DriftNeRF, a drop-in regularizer that instantiates the drifting-field template on density samples: a masked exponential kernel aggregates densities from nearby points on other rays into a stop-gradient consensus target, and the resulting drifting field penalizes unsupported disagreement while leaving agreed-upon boundaries intact. The regularizer reads only sampled positions, ray identifiers, and predicted densities, so it requires no pretrained model, external geometry, or additional images, and transfers across field parameterizations. On NeRF-Synthetic it reduces residual disagreement by an order of magnitude, and across NeRF-Synthetic, DTU, and LLFF it improves 3-view PSNR over the strongest MLP-NeRF baseline by 0.42-0.65 dB and remains competitive with sparse-view Gaussian pipelines under a matched protocol without their depth, flow, or covisibility preprocessing.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)は、高密度画像コレクションからフォトリアリスティック・ノベルビューを合成するが、ビューが少ないと急激に分解する。 レンダリング損失は独立光線上の和であり、異なる光線が同じ空間領域に割り当てる密度を比較する用語を含まないため、近くの3Dポイントは矛盾する密度に落ち着き、各トレーニングピクセルは正しく再生される。 トレーニング中のX線密度の不一致を直接測定し,バニラ NeRF で高い値を維持し,周波数ベース正規化下でのみ低下し,スパース状態の保留品質とともに移動することを示す。 マスク付き指数カーネルは、近隣の点からの密度を他の光線から停止段階のコンセンサスターゲットに集約し、その結果のドリフトフィールドは合意されたアップオン境界をそのまま残しながら不一致をペナルティ化する。 正規化器はサンプリングされた位置、線識別子、予測された密度のみを読み込むので、事前訓練されたモデル、外部幾何学、追加の画像は必要とせず、フィールドパラメータ化をまたいで転送する。 NeRF-Syntheticでは、残留不一致を桁違いに減らし、NeRF-Synthetic、DTU、LLFFでは、最強のMLP-NeRFベースラインよりも3ビューPSNRを0.42-0.65 dB改善し、深さ、フロー、または可視性前処理を伴わずに一致するプロトコル下でのガウスパイプラインと競合し続けている。

関連論文リスト

• Geometry Regularization for Vanilla NeRF via Self-Supervised Cross-Ray Consistency [0.9391375268580807]
  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。
  論文  参考訳（メタデータ） (2026-10-20T07:40:14Z)
• Robust Tensor Completion via Reflective Convolution Nuclear Norm Minimization [7.756743278378846]
  ロバストテンソル完了は、粗大な粗誤差によって破損した部分的な観測から多次元データを復元する。 本稿では、円形シフトを終端非反復反射に置き換える反射畳み込み核ノルム最小化(RCNNM)を提案する。 合成テンソル、BSDS色画像、CAVEマルチスペクトル画像の実験により、RCNNMはその円形リフト画像よりも一貫して改善されていることが示された。
  論文  参考訳（メタデータ） (2026-10-04T05:49:38Z)
• DivCon-NeRF: Diverse and Consistent Ray Augmentation for Few-Shot NeRF [24.645337338400335]
  DivCon-NeRFは、多様性と一貫性の両方を高めるために、新しい球面ベースの線増量を導入している。 提案手法は,Blender,LLFF,DTUのデータセットにおいて,既存の数発のNeRF手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T08:59:34Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion [107.67277084886929]
  単一の画像からの新しいビュー合成には、オブジェクトやシーンの隠蔽領域を推論すると同時に、入力とのセマンティックおよび物理的整合性を同時に維持する必要がある。 そこで我々は,NerfDiffを提案する。NerfDiffは3D対応条件拡散モデル(CDM)の知識を,テスト時に仮想ビューの集合を合成・精製することで,NeRFに抽出することでこの問題に対処する。 さらに,CDMサンプルから3次元一貫した仮想ビューを同時に生成し,改良された仮想ビューに基づいてNeRFを微調整する新しいNeRF誘導蒸留アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-20T17:12:00Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
  ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。 提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。 複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
  論文  参考訳（メタデータ） (2021-12-31T11:56:01Z)
• Non-line-of-Sight Imaging via Neural Transient Fields [52.91826472034646]
  NLOS(non-Line-of-Sight)イメージングのためのニューラルモデリングフレームワークを提案する。 最近のNeRF(Neural Radiance Field)アプローチにインスパイアされた我々は、ニューラルネットワーク(NeTF)を表現するために多層パーセプトロン(MLP)を使用する。 共焦点と非共焦点の両方に適用可能な球状ボリュームnetf再構成パイプラインを定式化する。
  論文  参考訳（メタデータ） (2021-01-02T05:20:54Z)

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。