GANeRF: Gebruikmaken van Discriminatoren om Neural Radiance Fields te Optimaliseren

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

Samenvatting

Neural Radiance Fields (NeRF) hebben indrukwekkende resultaten laten zien op het gebied van nieuwe weergavesynthese; desondanks vertonen zelfs grondige opnames imperfecties in reconstructies, bijvoorbeeld door slecht waargenomen gebieden of kleine lichtveranderingen. Ons doel is om deze imperfecties uit verschillende bronnen te verminderen met een gezamenlijke oplossing: we maken gebruik van het vermogen van generatieve adversariële netwerken (GANs) om realistische beelden te produceren en gebruiken deze om de realiteit in 3D-scènereconstructie met NeRFs te verbeteren. Hiertoe leren we de patchverdeling van een scène met behulp van een adversariële discriminator, die feedback geeft aan de radiance field-reconstructie, waardoor de realiteit op een 3D-consistente manier wordt verbeterd. Hierdoor worden renderingartefacten direct in de onderliggende 3D-representatie gerepareerd door multi-view padrenderingbeperkingen op te leggen. Daarnaast conditioneren we een generator met multi-resolutie NeRF-renderingen die adversarieel wordt getraind om de renderingkwaliteit verder te verbeteren. We demonstreren dat onze aanpak de renderingkwaliteit aanzienlijk verbetert, bijvoorbeeld door LPIPS-scores bijna te halveren in vergelijking met Nerfacto, terwijl tegelijkertijd de PSNR met 1,4 dB wordt verbeterd op de geavanceerde binnenscènes van 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.