GANeRF: Nutzung von Diskriminatoren zur Optimierung von Neural Radiance Fields

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

June 9, 2023

Autoren: Barbara Roessle, Norman Müller, Lorenzo Porzi, Samuel Rota Bulò, Peter Kontschieder, Matthias Nießner

cs.AI

Zusammenfassung

Neural Radiance Fields (NeRF) haben beeindruckende Ergebnisse bei der Synthese neuer Ansichten gezeigt; dennoch weisen selbst sorgfältige Aufnahmen Unvollkommenheiten in den Rekonstruktionen auf, beispielsweise aufgrund von schlecht erfassten Bereichen oder geringfügigen Lichtveränderungen. Unser Ziel ist es, diese Unvollkommenheiten aus verschiedenen Quellen mit einer gemeinsamen Lösung zu mildern: Wir nutzen die Fähigkeit von generativen adversariellen Netzwerken (GANs), realistische Bilder zu erzeugen, und verwenden sie, um den Realismus bei der 3D-Szenenrekonstruktion mit NeRFs zu steigern. Zu diesem Zweck lernen wir die Patch-Verteilung einer Szene mithilfe eines adversariellen Diskriminators, der Feedback zur Radiance-Field-Rekonstruktion liefert und so den Realismus auf eine 3D-konsistente Weise verbessert. Dadurch werden Rendering-Artefakte direkt in der zugrunde liegenden 3D-Darstellung repariert, indem Multi-View-Path-Rendering-Einschränkungen auferlegt werden. Zusätzlich konditionieren wir einen Generator mit Multi-Resolution-NeRF-Renderings, der adversariell trainiert wird, um die Rendering-Qualität weiter zu verbessern. Wir zeigen, dass unser Ansatz die Rendering-Qualität erheblich verbessert, z. B. die LPIPS-Werte im Vergleich zu Nerfacto nahezu halbiert und gleichzeitig den PSNR auf den anspruchsvollen Innenraumszenen von Tanks and Temples um 1,4 dB steigert.

English

Neural Radiance Fields (NeRF) have shown impressive novel view synthesis results; nonetheless, even thorough recordings yield imperfections in reconstructions, for instance due to poorly observed areas or minor lighting changes. Our goal is to mitigate these imperfections from various sources with a joint solution: we take advantage of the ability of generative adversarial networks (GANs) to produce realistic images and use them to enhance realism in 3D scene reconstruction with NeRFs. To this end, we learn the patch distribution of a scene using an adversarial discriminator, which provides feedback to the radiance field reconstruction, thus improving realism in a 3D-consistent fashion. Thereby, rendering artifacts are repaired directly in the underlying 3D representation by imposing multi-view path rendering constraints. In addition, we condition a generator with multi-resolution NeRF renderings which is adversarially trained to further improve rendering quality. We demonstrate that our approach significantly improves rendering quality, e.g., nearly halving LPIPS scores compared to Nerfacto while at the same time improving PSNR by 1.4dB on the advanced indoor scenes of Tanks and Temples.