GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

要約

Neural Radiance Fields (NeRF) は、印象的な新しいビュー合成結果を示しました。
それにもかかわらず、完全に記録したとしても、たとえば観察が不十分な領域やわずかな照明の変化により、再構成に不完全さが生じます。
私たちの目標は、さまざまな原因によるこれらの不完全性を共同ソリューションで軽減することです。つまり、敵対的生成ネットワーク (GAN) の機能を利用してリアルな画像を生成し、それを使用して NeRF による 3D シーン再構成のリアリズムを強化します。
この目的を達成するために、敵対的ディスクリミネーターを使用してシーンのパッチ分布を学習します。これにより、放射フィールドの再構築にフィードバックが提供され、3D 一貫性のある方法でリアリズムが向上します。
これにより、マルチビュー パス レンダリング制約を課すことによって、レンダリング アーティファクトが基礎となる 3D 表現で直接修復されます。
さらに、レンダリング品質をさらに向上させるために敵対的にトレーニングされたマルチ解像度 NeRF レンダリングでジェネレーターを調整します。
私たちのアプローチにより、レンダリング品質が大幅に向上することを実証します。たとえば、戦車と寺院の高度な屋内シーンで、Nerfacto と比較して LPIPS スコアがほぼ半分になり、同時に PSNR が 1.4dB 改善されました。

要約(オリジナル)

Neural Radiance Fields (NeRF) have shown impressive novel view synthesis results; nonetheless, even thorough recordings yield imperfections in reconstructions, for instance due to poorly observed areas or minor lighting changes. Our goal is to mitigate these imperfections from various sources with a joint solution: we take advantage of the ability of generative adversarial networks (GANs) to produce realistic images and use them to enhance realism in 3D scene reconstruction with NeRFs. To this end, we learn the patch distribution of a scene using an adversarial discriminator, which provides feedback to the radiance field reconstruction, thus improving realism in a 3D-consistent fashion. Thereby, rendering artifacts are repaired directly in the underlying 3D representation by imposing multi-view path rendering constraints. In addition, we condition a generator with multi-resolution NeRF renderings which is adversarially trained to further improve rendering quality. We demonstrate that our approach significantly improves rendering quality, e.g., nearly halving LPIPS scores compared to Nerfacto while at the same time improving PSNR by 1.4dB on the advanced indoor scenes of Tanks and Temples.

arxiv情報

著者 Barbara Roessle,Norman Müller,Lorenzo Porzi,Samuel Rota Bulò,Peter Kontschieder,Matthias Nießner
発行日 2023-06-09 17:12:35+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.GR, eess.IV パーマリンク