Die Autoren präsentieren einen neuartigen, skalierbaren Ansatz zur Darstellung dynamischer Stadtumgebungen mithilfe von neuronalen Szenegraphen. Im Gegensatz zu bisherigen Methoden, die entweder auf statische Umgebungen beschränkt sind, nicht über einzelne kurze Videos hinausgehen oder Schwierigkeiten haben, einzelne dynamische Objektinstanzen separat darzustellen, kann unser Ansatz große geografische Gebiete mit Hunderten von schnell bewegten Objekten erfassen.
Unser mehrstufiger neuronaler Szenegraph besteht aus einem Wurzelknoten, der das globale Koordinatensystem definiert, Kameraknoten, Sequenzknoten für jede Fahrzeugaufnahme und Objektknoten für dynamische Objekte. Die Knoten sind durch Kanten verbunden, die starre Transformationen zwischen den Koordinatensystemen darstellen. Jeder Knoten hat einen assoziierten latenten Vektor, der die beiden Strahlungsfelder ϕ und ψ konditioniert, die statische und dynamische Szenenteile modellieren.
Um unser Modell für große dynamische Stadtumgebungen einsetzbar zu machen, entwickeln wir ein effizientes, zusammengesetztes Strahlenabtastverfahren und ein Rendering-Schema. Außerdem führen wir einen neuen Benchmark für die Rekonstruktion von Strahlungsfeldern in dynamischen Stadtumgebungen ein, der realistischere Bedingungen widerspiegelt als bisherige Benchmarks.
Unsere Experimente zeigen, dass unser Ansatz den Stand der Technik deutlich übertrifft, sowohl in Bezug auf die Qualität der Neuansichten als auch auf die Trainings- und Rendergeschwindigkeit.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Tobi... às arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.00168.pdfPerguntas Mais Profundas