GANeRF: Использование дискриминаторов для оптимизации нейронных полей излучения

GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields

June 9, 2023

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

cs.AI

Аннотация

Нейронные поля излучения (NeRF) демонстрируют впечатляющие результаты в синтезе новых видов; тем не менее, даже тщательные записи приводят к несовершенствам в реконструкциях, например, из-за плохо наблюдаемых областей или незначительных изменений освещения. Наша цель — смягчить эти несовершенства из различных источников с помощью совместного решения: мы используем способность генеративно-состязательных сетей (GAN) создавать реалистичные изображения и применяем их для повышения реализма в 3D-реконструкции с использованием NeRF. Для этого мы изучаем распределение патчей сцены с помощью состязательного дискриминатора, который предоставляет обратную связь для реконструкции поля излучения, тем самым улучшая реализм в 3D-согласованном стиле. Таким образом, артефакты рендеринга устраняются непосредственно в базовом 3D-представлении за счет наложения ограничений на рендеринг с учетом многовидовых путей. Кроме того, мы используем генератор, управляемый многомасштабными рендерингами NeRF, который обучается состязательно для дальнейшего повышения качества рендеринга. Мы показываем, что наш подход значительно улучшает качество рендеринга, например, почти вдвое снижает показатели LPIPS по сравнению с Nerfacto, одновременно улучшая PSNR на 1,4 дБ на сложных внутренних сценах из набора 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.