Core Concepts
CombiNeRF ist ein Framework, das mehrere Regularisierungstechniken synergetisch kombiniert, um die Vorteile jeder einzelnen Technik zu vereinen und die Leistung von Neuronalen Radiance-Feldern in Szenarien mit wenigen Ansichten zu verbessern.
Abstract
Der Artikel präsentiert CombiNeRF, ein Framework, das verschiedene Regularisierungstechniken kombiniert, um die Leistung von Neuronalen Radiance-Feldern (NeRFs) in Szenarien mit wenigen Ansichten zu verbessern.
Zunächst wird eine Modifikation des Informationstheoretischen Ansatzes von InfoNeRF vorgestellt, bei dem die Verteilungen benachbarter Strahlen regularisiert werden. Zusätzlich wird ein Glättungsterm eingeführt, um die Geometrie in der Nähe zu regularisieren, und die Verteilungen einzelner Strahlen werden regularisiert, um hohe Dichtewerte in den Regionen der Objektoberfläche zu erhalten.
Darüber hinaus wird eine Kodierungsmaske verwendet, um das Lernen von Details in den späteren Phasen des Trainings zu fördern. Schließlich wird eine Lipschitz-Regularisierung auf die Farb- und Dichtenetze angewendet, was zu einer deutlichen Verbesserung der Rekonstruktions- und Renderingqualität führt.
Die Ergebnisse zeigen, dass CombiNeRF den aktuellen Stand der Technik in Szenarien mit wenigen Ansichten übertrifft, sowohl auf dem LLFF-Datensatz als auch auf dem NeRF-Synthetic-Datensatz. Eine Ablationsstudie bestätigt den Beitrag der einzelnen Komponenten von CombiNeRF.
Stats
Die Autoren verwenden öffentlich verfügbare Datensätze wie LLFF und NeRF-Synthetic, um die Leistung von CombiNeRF zu evaluieren.
Quotes
"CombiNeRF avoids the need for pre-training required by similar approaches while showing promising improvements over the state of the art."
"To our knowledge we are the first to impose Lipschitz regularization on all the network layers on NeRF, recording a performance increase in all the tested scenarios."