GANeRF: Aprovechando Discriminadores para Optimizar Campos de Radiancia Neural

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

June 9, 2023

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

cs.AI

Resumen

Los Campos de Radiancia Neural (NeRF) han mostrado resultados impresionantes en la síntesis de nuevas vistas; sin embargo, incluso grabaciones exhaustivas presentan imperfecciones en las reconstrucciones, por ejemplo, debido a áreas mal observadas o cambios menores en la iluminación. Nuestro objetivo es mitigar estas imperfecciones provenientes de diversas fuentes con una solución conjunta: aprovechamos la capacidad de las redes generativas adversarias (GANs) para producir imágenes realistas y las utilizamos para mejorar el realismo en la reconstrucción de escenas 3D con NeRFs. Para ello, aprendemos la distribución de parches de una escena utilizando un discriminador adversario, el cual proporciona retroalimentación a la reconstrucción del campo de radiancia, mejorando así el realismo de manera consistente en 3D. De esta forma, los artefactos de renderizado se corrigen directamente en la representación 3D subyacente mediante la imposición de restricciones de renderizado de trayectorias multi-vista. Además, condicionamos un generador con renderizados de NeRF de múltiples resoluciones, el cual es entrenado de manera adversaria para mejorar aún más la calidad del renderizado. Demostramos que nuestro enfoque mejora significativamente la calidad del renderizado, por ejemplo, reduciendo casi a la mitad las puntuaciones LPIPS en comparación con Nerfacto, al mismo tiempo que mejora el PSNR en 1.4 dB en las escenas interiores avanzadas de Tanks and Temples.

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.