GANeRF: Sfruttare i Discriminatori per Ottimizzare i Campi di Radianza Neurali

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

June 9, 2023

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

cs.AI

Abstract

I Neural Radiance Fields (NeRF) hanno dimostrato risultati impressionanti nella sintesi di nuove viste; tuttavia, anche registrazioni approfondite presentano imperfezioni nelle ricostruzioni, ad esempio a causa di aree scarsamente osservate o lievi cambiamenti di illuminazione. Il nostro obiettivo è mitigare queste imperfezioni provenienti da varie fonti con una soluzione congiunta: sfruttiamo la capacità delle reti generative avversarie (GAN) di produrre immagini realistiche e le utilizziamo per migliorare il realismo nella ricostruzione di scene 3D con i NeRF. A tal fine, apprendiamo la distribuzione delle patch di una scena utilizzando un discriminatore avversario, che fornisce feedback alla ricostruzione del campo di radianza, migliorando così il realismo in modo coerente in 3D. In questo modo, gli artefatti di rendering vengono riparati direttamente nella rappresentazione 3D sottostante imponendo vincoli di rendering multi-vista. Inoltre, condizioniamo un generatore con rendering NeRF a multi-risoluzione, che viene addestrato in modo avversario per migliorare ulteriormente la qualità del rendering. Dimostriamo che il nostro approccio migliora significativamente la qualità del rendering, ad esempio quasi dimezzando i punteggi LPIPS rispetto a Nerfacto, migliorando allo stesso tempo il PSNR di 1.4dB sulle scene indoor avanzate di 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.