Ref-DVGO: Reflection-Aware Direct Voxel Grid Optimization for an Improved Quality-Efficiency Trade-Off in Reflective Scene Reconstructio

要約

Neural Radiance Fields (NeRF) は、新しいビュー合成の分野に革命をもたらし、顕著なパフォーマンスを実証しました。
ただし、反射オブジェクトのモデリングとレンダリングには依然として困難な問題が伴います。
最近の方法では、効率は犠牲になったものの、反射シーンの処理においてベースラインに比べて大幅な改善が見られました。
この作業では、効率と品質のバランスをとることを目指しています。
この目的を達成するために、従来のボリューム レンダリングに基づく陰的-陽的アプローチを研究して、再構築の品質を向上させ、トレーニングとレンダリングのプロセスを高速化します。
効率的な密度ベースのグリッド表現を採用し、パイプライン内の反射放射輝度を再パラメータ化します。
私たちが提案する反射を意識したアプローチは、競合する方法と比較して、競争力のある品質効率のトレードオフを実現します。
実験結果に基づいて、反射物体を再構成するための密度ベースの方法の結果に影響を与える要因に関する仮説を提案し、議論します。
ソース コードは https://github.com/gkouros/ref-dvgo で入手できます。

要約(オリジナル)

Neural Radiance Fields (NeRFs) have revolutionized the field of novel view synthesis, demonstrating remarkable performance. However, the modeling and rendering of reflective objects remain challenging problems. Recent methods have shown significant improvements over the baselines in handling reflective scenes, albeit at the expense of efficiency. In this work, we aim to strike a balance between efficiency and quality. To this end, we investigate an implicit-explicit approach based on conventional volume rendering to enhance the reconstruction quality and accelerate the training and rendering processes. We adopt an efficient density-based grid representation and reparameterize the reflected radiance in our pipeline. Our proposed reflection-aware approach achieves a competitive quality efficiency trade-off compared to competing methods. Based on our experimental results, we propose and discuss hypotheses regarding the factors influencing the results of density-based methods for reconstructing reflective objects. The source code is available at: https://github.com/gkouros/ref-dvgo

arxiv情報

著者 Georgios Kouros,Minye Wu,Shubham Shrivastava,Sushruth Nagesh,Punarjay Chakravarty,Tinne Tuytelaars
発行日 2023-08-17 15:44:13+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 パーマリンク