GANeRF : Exploitation des discriminateurs pour optimiser les champs de radiance neuronaux

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

June 9, 2023

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

cs.AI

Résumé

Les champs de radiance neuronaux (NeRF) ont démontré des résultats impressionnants en synthèse de nouvelles vues ; néanmoins, même des enregistrements approfondis présentent des imperfections dans les reconstructions, par exemple en raison de zones mal observées ou de légers changements d'éclairage. Notre objectif est d'atténuer ces imperfections provenant de diverses sources grâce à une solution conjointe : nous exploitons la capacité des réseaux antagonistes génératifs (GAN) à produire des images réalistes et les utilisons pour améliorer le réalisme dans la reconstruction de scènes 3D avec les NeRF. Pour ce faire, nous apprenons la distribution par patchs d'une scène à l'aide d'un discriminateur antagoniste, qui fournit un retour d'information à la reconstruction du champ de radiance, améliorant ainsi le réalisme de manière cohérente en 3D. Ainsi, les artefacts de rendu sont corrigés directement dans la représentation 3D sous-jacente en imposant des contraintes de rendu de chemin multi-vues. De plus, nous conditionnons un générateur avec des rendus NeRF à multi-résolution, qui est entraîné de manière antagoniste pour améliorer davantage la qualité du rendu. Nous démontrons que notre approche améliore significativement la qualité du rendu, par exemple en réduisant presque de moitié les scores LPIPS par rapport à Nerfacto tout en améliorant le PSNR de 1,4 dB sur les scènes intérieures avancées 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.