Upgrade to Pro — share decks privately, control downloads, hide ads and more …

NeRF Director: Revisiting View Selection in Neu...

NeRF Director: Revisiting View Selection in Neural Volume Rendering [CVPR 2024]

CVPR 2024で発表された “NeRF Director: Revisiting View Selection in Neural Volume Rendering” の論文の内容をまとめたスライドです。
- Neural Radiance Fields (NeRF) において,対象空間を均等にカバーする視点選択方法を提案
- より少数視点から優れた描画性能を達成

Avatar for Spatial AI Network

Spatial AI Network

July 03, 2025
Tweet

More Decks by Spatial AI Network

Other Decks in Technology

Transcript

  1. Spatial AI Network 勉強会,2025.06.03 安永綾花 (慶應義塾大学) 1 Weekly Meeting Wenhui

    Xiao, Rodrigo Santa Cruz, David Ahmedt-Aristizabal, Olivier Salvado, Clinton Fookes, and Leo Lebrat CVPR 2024 NeRF Director: Revisiting View Selection in Neural Volume Rendering
  2. 背景 • Neural Renderingは,3D computer visionに大きく貢献 • 学習に使用する視点選択に関して,未だ議論が不足 • “garbage

    in, garbage out” • 高品質な結果を得る上で,視点選択は重要な役割を果たす 3 [Mildenhall et al., 2020]
  3. 背景:Train view selection a. PSNRの比較 • 同等の結果を出すために必要な視点数に大きな差 b. 定性評価 •

    Rand sampling (RS) の方が学習データが多いが,定性的に劣る 5 (a) 定量評価 (b) 定性評価
  4. 関連研究:Uncertainty-Guided Methods モデルの自信のなさ(= 不確実性)を定量化し,どこに新視点を追加 すべきかを決める. • NeRF-W [Martin-Brualla et al.,

    2021] • 不確実性を活用し,一時的な要素(動く人や車など)の影響を低減 • Density-aware NeRF Ensembles [Sünderhauf et al., 2023] • 複数のモデルの予測から不確実性を評価.最も不確実性の高い位置に追加 • Active-NeRF [Pan et al., 2022] • 候補視点の不確実性の減少量を評価.減少が最大化する視点を選択 → 不確実性の推定精度が結果に大きく影響する 6
  5. 関連研究:Error-guided methods 再構成誤差を用いて,精度の低い領域を選択する手法 • Zhang et al., 2023 • 色の変化や損失の大きな点を選択

    • Otonari et al., 2022 • 360°シーンにおいて歪みの大きい視点を優先的に選択 • PVD-AL [Fang et al., 2023] • 教師モデルと生徒モデルの出力差が大きい視点・レイ・点を選択 → エラーの大きい視点を集中的に選択する可能性がある 7
  6. 提案手法:Farthest View Sampling (FVS) できるだけ離れている視点を全体に散らばらせる 1. 全体の視点集合 𝑉 は 𝑁個

    2. 初期視点セット 𝑆 を 𝑘 個選択 (𝑘 < 𝑁) 3. 未選択の視点の中から 𝑆 から最も離れている視点 𝑣∗ を探す 4. 𝑣∗を 𝑆 に追加 5. 𝑆 に 𝑛 個の視点が集まるまで繰り返す 10 次スライド
  7. 提案手法:Farthest View Sampling (FVS) What is the definition of 𝐝

    𝑣, 𝑠 ? 1. 空間的な距離 • (球面上の配置)大円距離を計算 • (自由配置)ユークリッド距離を計算 2. 写真測量を用いた距離 11
  8. 提案手法:Information Gain-based Sampling (IGS) 未選択の視点に対して誤差や不確実性からinformation gainを評価し 情報量の多い(=有益な視点)を選択 • FVSと異なる点 視点追加毎に,逐次的に学習/評価

    • (Optional)relaxation step • 3D空間の特定領域のカメラ密集を避ける • Lloyd-Maxアルゴリズム • 新規選択視点群の位置を均一に再配置 12 視点分布の可視化 (初期:緑,追加:赤)
  9. 評価実験:定量評価 • NeRF Synthetic dataset(合成データ) • FVSとIGSが優れた描画品質 • ActiveNeRF /

    Density-aware NeRF は,RSに劣っている • TanksAndTemples dataset(実データ) • FVSが最も高い描画品質,次いでIGS • Density-aware NeRFはRSより優れた品質:不確実性の推定が正確 14 a b c d b a c d
  10. Ablation Study:FV・IGS • FVS: 距離の推定方法の比較 • 𝐝!"# + 𝐝$%&'& が効果的

    • IGS: Information type (error vs uncertainty) • NeRF視点選択において,誤差を用いる方が効果的 17