RGB-D Neural Radiance Fields: Local Sampling for Faster Training

要約

コンピュータビジョンにおいて、情景の3次元表現を学習することは数十年来の難題であった。近年、ニューラル・ラディエンス・フィールド（NeRF）を用いた画像からの暗黙的な神経表現が進歩し、有望な結果を示している。しかし、従来のNeRFを用いた手法には、学習時間が長く、基礎となる幾何学的形状が不正確であるという限界があった。提案手法は、RGB-Dデータを利用し、深度センシングを活用して局所サンプリングを改善することで、学習時間を短縮する。本論文では、深度誘導型ローカルサンプリング戦略と、より小さなニューラルネットワークアーキテクチャを提案し、品質を損なうことなく、より速いトレーニング時間を達成する。

要約(オリジナル)

Learning a 3D representation of a scene has been a challenging problem for decades in computer vision. Recent advances in implicit neural representation from images using neural radiance fields(NeRF) have shown promising results. Some of the limitations of previous NeRF based methods include longer training time, and inaccurate underlying geometry. The proposed method takes advantage of RGB-D data to reduce training time by leveraging depth sensing to improve local sampling. This paper proposes a depth-guided local sampling strategy and a smaller neural network architecture to achieve faster training time without compromising quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL