A Comparison of Tiny-nerf versus Spatial Representations for 3d Reconstruction

要約

ニューラル レンダリングは、画像を合成するための強力なパラダイムとして登場しました。ニューラル ネットワークを使用してサーフェスを再構築し、形状を表現し、オブジェクトまたはシーンの新しいビューを合成することにより、従来のレンダリングよりも多くの利点を提供します。
このニューラル レンダリングでは、環境がニューラル ネットワークにエンコードされます。
これらの新しい表現を使用して、移動ロボットのシーンを体系化できると考えています。
したがって、この作業では、tiny-NeRF と呼ばれるトレンドのニューラル レンダリングと、ボクセル マップ、点群、三角形メッシュなど、ロボット工学でマップとして一般的に使用される他のボリューム表現との比較を行います。
目標は、ロボット工学の文脈における神経表現の長所と短所を知ることです。
比較は、モデルを取得するための空間的な複雑さと処理時間の観点から行われます。
実験によると、tiny-NeRF は他の表現に比べて 3 分の 1 のメモリ スペースしか必要としません。
処理時間に関しては、tiny-NeRF はモデルの計算に約 6 倍かかります。

要約(オリジナル)

Neural rendering has emerged as a powerful paradigm for synthesizing images, offering many benefits over classical rendering by using neural networks to reconstruct surfaces, represent shapes, and synthesize novel views, either for objects or scenes. In this neural rendering, the environment is encoded into a neural network. We believe that these new representations can be used to codify the scene for a mobile robot. Therefore, in this work, we perform a comparison between a trending neural rendering, called tiny-NeRF, and other volume representations that are commonly used as maps in robotics, such as voxel maps, point clouds, and triangular meshes. The target is to know the advantages and disadvantages of neural representations in the robotics context. The comparison is made in terms of spatial complexity and processing time to obtain a model. Experiments show that tiny-NeRF requires three times less memory space compared to other representations. In terms of processing time, tiny-NeRF takes about six times more to compute the model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google