Core Concepts
Unser Ansatz ReVoRF ermöglicht eine effiziente und hochwertige Rekonstruktion von 3D-Szenen aus wenigen Eingabeansichten, indem er die Unzuverlässigkeit in synthetisch erzeugten Ansichten strategisch nutzt.
Abstract
Die Autoren präsentieren ReVoRF, ein auf Voxeln basierendes Optimierungsframework für Wenig-Schuss-Radiance-Felder, das die Unzuverlässigkeit in pseudo-Neuansichten gezielt adressiert. Der Schlüssel ist die Erkenntnis, dass die relativen Tiefenbeziehungen in benachbarten Regionen zuverlässiger sind als die absoluten Farbwerte in verdeckten Bereichen. Daher entwickeln die Autoren einen bilateralen geometrischen Konsistenzverlust, der den Kompromiss zwischen Farbgenauigkeit und geometrischer Genauigkeit im Kontext der Tiefenkonsistenz für unsichere Regionen ausbalanciert.
Darüber hinaus präsentieren die Autoren eine zuverlässigkeitsgesteuerte Lernstrategie, um die variable Qualität der synthetisierten Ansichten zu erkennen und zu nutzen, sowie einen zuverlässigkeitsgesteuerten Voxel-Glättungsalgorithmus, der den Übergang zwischen zuverlässigen und unzuverlässigen Datenbereichen glättet. Dieser Ansatz ermöglicht eine nuanciertere Nutzung aller verfügbaren Daten und fördert ein verbessertes Lernen aus Regionen, die bisher als ungeeignet für eine hochwertige Rekonstruktion galten.
Umfangreiche Experimente auf verschiedenen Datensätzen zeigen, dass der Ansatz erhebliche Verbesserungen in Effizienz und Genauigkeit erzielt, mit Rendergeschwindigkeiten von 3 FPS, 7 Minuten Trainingszeit für eine 360°-Szene und einer 5%igen Verbesserung des PSNR gegenüber bestehenden Wenig-Schuss-Methoden.
Stats
Die Methode erreicht Rendergeschwindigkeiten von 3 FPS und benötigt nur 7 Minuten Trainingszeit für eine 360°-Szene.
Im Vergleich zu bestehenden Wenig-Schuss-Methoden erzielt die Methode eine 5%ige Verbesserung des PSNR.
Quotes
"Unser Ansatz ermöglicht eine nuanciertere Nutzung aller verfügbaren Daten und fördert ein verbessertes Lernen aus Regionen, die bisher als ungeeignet für eine hochwertige Rekonstruktion galten."
"Umfangreiche Experimente auf verschiedenen Datensätzen zeigen, dass der Ansatz erhebliche Verbesserungen in Effizienz und Genauigkeit erzielt."