GANeRF: 판별기를 활용한 신경 방사 필드 최적화

초록

Neural Radiance Fields(NeRF)는 새로운 시점 합성에서 인상적인 결과를 보여주지만, 철저한 기록조차도 재구성에서 불완전성을 초래할 수 있습니다. 예를 들어, 관찰이 부족한 영역이나 미세한 조명 변화로 인한 문제가 발생할 수 있습니다. 우리의 목표는 이러한 다양한 원인으로 인한 불완전성을 통합된 해결책으로 완화하는 것입니다. 이를 위해, 우리는 생성적 적대 신경망(GAN)이 현실적인 이미지를 생성할 수 있는 능력을 활용하여 NeRF를 사용한 3D 장면 재구성의 현실감을 높입니다. 이를 위해, 우리는 적대적 판별기를 사용하여 장면의 패치 분포를 학습하고, 이를 통해 방사장 재구성에 피드백을 제공하여 3D 일관성을 유지하면서 현실감을 개선합니다. 이를 통해, 다중 시점 경로 렌더링 제약을 부과하여 기본 3D 표현에서 렌더링 아티팩트를 직접 수정합니다. 또한, 우리는 다중 해상도 NeRF 렌더링으로 생성기를 조건화하여 렌더링 품질을 더욱 개선하기 위해 적대적으로 학습시킵니다. 우리의 접근 방식이 렌더링 품질을 크게 개선함을 보여주며, 예를 들어, Tanks and Temples의 고급 실내 장면에서 Nerfacto와 비교하여 LPIPS 점수를 거의 절반으로 줄이면서 동시에 PSNR을 1.4dB 개선합니다.

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.

GANeRF: 판별기를 활용한 신경 방사 필드 최적화

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

초록

Support