핵심 개념
COV-NeRF는 시각적 시뮬레이션과 현실 간의 갭을 메우기 위한 혁신적인 방법을 제시한다.
초록
I. 소개
딥러닝은 많은 로봇 시스템의 중심 요소이다.
실제 세계에서의 훈련 데이터 획득은 어렵고 비용이 많이 든다.
도메인 랜덤화를 통한 시뮬레이션에서 현실로의 전이는 일반적으로 수동 조정이 필요하다.
II. 관련 연구
NeRF는 미래의 뷰 합성을 위해 신경 복사 가능한 체적 렌더링을 사용한다.
COV-NeRF는 다양한 장면에서 일반화되는 객체 중심적 렌더링을 소개한다.
III. 일반화 가능한 신경 렌더링과 구성 가능한 객체 볼륨
COV-NeRF는 장면을 객체의 컬렉션과 배경으로 표현한다.
레이를 렌더링하기 위해 각 객체와 배경에서 기여를 수집한다.
IV. 실험
COV-NeRF의 시각적 능력을 평가하기 위해 다른 방법과 비교한다.
COV-NeRF가 로봇 응용 프로그램에 관련된 지각 모델 훈련에 생성한 합성 데이터의 효과를 평가한다.
COV-NeRF가 어려운 시나리오에서 시뮬레이션 간 갭을 줄이는 능력을 평가한다.
V. 결론
COV-NeRF는 다양한 지각 모달리티에 대한 시뮬레이션 데이터를 생성하여 상태-of-the-art 지각 방법을 개선하는 데 효과적이다.
통계
NeRF는 뷰 합성을 위해 신경 복사 가능한 체적 렌더링을 사용한다.
COV-NeRF는 객체 중심적 렌더링을 소개한다.
인용구
"Nearly all applications in robotics require perception of the physical world, and deep learning is the method of choice for nearly all tasks in computer vision."
"COV-NeRF generates targeted simulated data for training other models that are brittle to sim-to-real distribution shift."