Core Concepts
라이다 데이터를 효과적으로 활용하여 거리 장면에서의 신경 방사 필드 품질을 크게 향상시킬 수 있다.
Abstract
이 논문은 거리 장면에서의 신경 방사 필드(NeRF) 품질 향상을 위해 라이다 데이터를 심층적으로 활용하는 방법을 제안한다.
첫째, 라이다 인코딩과 그리드 기반 특징을 융합하여 향상된 장면 표현을 학습한다. 라이다 포인트 클라우드의 명시적인 기하학적 정보를 활용하여 NeRF의 암시적 표현을 보완한다.
둘째, 폐색을 고려한 강건한 깊이 감독 체계를 제안한다. 인접 프레임의 라이다 포인트를 누적하여 더 밀집된 깊이 맵을 생성하고, 폐색 문제를 해결하는 커리큘럼 학습 기법을 도입한다.
셋째, 라이다 포인트를 활용하여 증강된 학습 뷰를 생성한다. 이를 통해 입력 데이터의 제한적인 시야각을 보완하고 더 다양한 뷰를 학습할 수 있다.
이러한 통찰력을 바탕으로 제안된 DiL-NeRF 모델은 기존 방법들에 비해 거리 장면에서 크게 향상된 사실적 렌더링 성능을 보여준다.
Stats
거리 장면에서 카메라 움직임이 제한적이고 텍스처가 낮은 도로 표면으로 인해 NeRF 재구성이 어려운 문제가 있다.
라이다 포인트 클라우드를 활용하면 이러한 문제를 해결할 수 있다.
Quotes
"라이다 데이터를 효과적으로 활용하여 거리 장면에서의 신경 방사 필드 품질을 크게 향상시킬 수 있다."
"라이다 포인트 클라우드의 명시적인 기하학적 정보를 활용하여 NeRF의 암시적 표현을 보완한다."
"폐색을 고려한 강건한 깊이 감독 체계를 도입하여 더 밀집된 깊이 맵을 생성한다."
"라이다 포인트를 활용하여 증강된 학습 뷰를 생성함으로써 입력 데이터의 제한적인 시야각을 보완한다."