arXiv:2306.03000

BeyondPixels: A Comprehensive Review of the Evolution of Neural Radiance Fields

Akm Shahariar Azad Rabby, Chengcui Zhang

제출 2023-06-05

원문 초록

Neural rendering combines ideas from classical computer graphics and machine learning to synthesize images from real-world observations. NeRF, short for Neural Radiance Fields, is a recent innovation that uses AI algorithms to create 3D objects from 2D images. By leveraging an interpolation approach, NeRF can produce new 3D reconstructed views of complicated scenes. Rather than directly restoring the whole 3D scene geometry, NeRF generates a volumetric representation called a ``radiance field,'' which is capable of creating color and density for every point within the relevant 3D space. The broad appeal and notoriety of NeRF make it imperative to examine the existing research on the topic comprehensively. While previous surveys on 3D rendering have primarily focused on traditional computer vision-based or deep learning-based approaches, only a handful of them discuss the potential of NeRF. However, such surveys have predominantly focused on NeRF's early contributions and have not explored its full potential. NeRF is a relatively new technique continuously being investigated for its capabilities and limitations. This survey reviews recent advances in NeRF and categorizes them according to their architectural designs, especially in the field of novel view synthesis.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2604.01204v3cs.CV공통 태그 Novel View Synthesis, Neural Rendering, NeRF

고품질 프리미티브 기반 신경 재구성을 위한 신경 조화 텍스처

Neural Harmonic Textures for High-Quality Primitive Based Neural Reconstruction

3D 가우시안 스플래팅(3D Gaussian Splatting)과 같은 프리미티브 기반 방법은 최근 새로운 시점 합성(novel-view synthesis) 및 관련 재구성 태스크에서 최첨단 기술로 자리잡았다. 신경 필드(neural fields)와 비교하여 이러한 표현 방식은 더 유연하고 적응적이며 대규모 장면에 대한 확장성이 뛰어나다. 그러나 개별 프리미티브의 표현력 한계로 인해 고주파 세부 정보를 모델링하는 것이 어렵다. 본 논문에서는 신경 조화 텍스처(Neural Harmonic Textures)를 소개한다. 이는 각 프리미티브를 둘러싸는 가상 스캐폴드(scaffold)에 잠재 특징(feature) 벡터를 고정하는 신경 표현 접근법이다. 이러한 특징은 광선 교차점에서 프리미티브 내부에 보간된다. 푸리에 분석에서 영감을 받아 보간된 특징에 주기적 활성화 함수를 적용함으로써, 알파 블렌딩을 조화 성분의 가중 합산으로 변환한다. 결과 신호는 소규모 신경망(neural network)을 사용한 단일 지연 패스(deferred pass)에서 디코딩되어 계산 비용을 크게 줄인다. 신경 조화 텍스처는 실시간 새로운 시점 합성에서 최첨단 성능을 달성하는 동시에 프리미티브 기반 재구성과 신경 필드 기반 재구성 간의 격차를 줄인다. 본 방법은 3DGUT, Triangle Splatting, 2DGS 등 기존 프리미티브 기반 파이프라인에 원활하게 통합된다. 또한 2D 이미지 피팅 및 의미론적 재구성(semantic reconstruction)에 대한 응용을 통해 방법의 범용성을 추가로 입증한다.

arXiv:2606.19316v1cs.CV공통 태그 Novel View Synthesis, Neural Rendering, NeRF

NeuMesh++: 분리된 신경망 메시 기반 암시적 필드를 통한 다용도 및 효율적인 체적 편집

NeuMesh++: Towards Versatile and Efficient Volumetric Editing with Disentangled Neural Mesh-based Implicit Field

최근 신경망 암시적 렌더링 기술은 빠르게 발전하여 새로운 시점 합성(novel view synthesis)과 3D 장면 재구성에서 상당한 이점을 보여주었습니다. 그러나 편집 목적의 기존 신경망 렌더링 방법은 강체 변환(rigid transformation)이나 카테고리 특정 편집과 같은 제한된 기능만을 제공합니다. 본 논문에서는 메시 정점에 분리된 기하학, 텍스처, 의미론적(semantic) 코드로 신경 방사장(neural radiance field)을 인코딩하는 새로운 메시 기반 표현을 제시합니다. 이는 메시 안내 기하학 편집, 텍스처 교환, 채우기 및 페인팅 작업을 포함한 지정된 텍스처 편집, 그리고 의미론적 안내 편집을 포함하는 효율적이고 포괄적인 편집 기능 세트를 가능하게 합니다. 이를 위해 렌더링 품질과 학습(training) 안정성을 향상시키기 위한 새로운 로컬 공간 파라미터화(local space parameterization), 텍스처 편집의 충실도를 높이기 위한 정점 학습 가능 수정 색상, 정밀한 텍스처 편집을 실현하기 위한 공간 인식 최적화 전략, 그리고 암시적 필드 편집의 번거로운 주석 작업을 줄이기 위한 의미론적 보조 영역 선택 기법을 개발했습니다. 실제 데이터셋과 합성 데이터셋 모두에 대한 광범위한 실험과 편집 예제는 표현 품질과 편집 능력에 있어 우리 방법의 우수성을 입증합니다. 프로젝트 페이지: https://zju3dv.github.io/neumeshplusplus/

arXiv:2607.01164v2cs.LG공통 태그 Novel View Synthesis, NeRF

정형 및 비정형 볼륨의 빠르고 메시가 필요 없는 압축을 위한 명시적 3D 가우시안 모델

Explicit 3D Gaussian Models for Fast, Mesh-Free Compression of Structured and Unstructured Volumes

최근 연구는 암시적 신경 표현(INR)이 정형 및 비정형 볼륨 데이터를 효과적으로 압축하도록 학습될 수 있으며, 줄어든 메모리 사용량으로 데이터를 직접 질의할 수 있음을 보였다. 그러나 비정형 볼륨에 대한 기존 INR은 기하 정보를 인코딩하지 않으므로 이후 샘플링을 위해 일부 메시를 저장해야 하며, 이는 달성 가능한 압축을 제한한다. 한편 새로운 시점 합성 방법은 3D 가우시안의 명시적 집합으로 볼륨 데이터를 정확하게 시각화할 수 있음을 보였다. 본 연구에서는 3D 가우시안 프리미티브에 기반한 볼륨 데이터 압축용 명시적 모델을 소개한다. 우리는 3D 가우시안 집합을 볼륨 스칼라 장의 명시적 표현으로 재해석하고, 교차하는 가우시안의 가중 집계를 통해 공간 위치에서 스칼라 값을 복원하는 샘플링 전략을 사용한다. 또한 정형 및 비정형 모델 샘플링을 위한 최적화된 CUDA 가속 파이프라인, 모델의 정확한 영역 커버리지를 유도하는 손실 함수, 샘플링 오차 기반의 새로운 밀도화 전략을 개발한다. 우리의 명시적 정식화는 영역 기하를 자연스럽게 인코딩하여 비정형 볼륨에서 메시 저장의 필요를 없애고 훨씬 높은 압축 가능성을 제공한다. 기존 INR과 비교하여, 우리의 명시적 모델은 정형 및 비정형 볼륨 모두에서 학습 속도와 복원 품질을 크게 개선하며, 비정형 볼륨에서는 기존 연구보다 훨씬 높은 압축률을 가능하게 함을 보인다.

arXiv:2610.13757v1cs.CV공통 태그 Novel View Synthesis, NeRF

관찰된 정보로 반사를 안내하는 가우시안 스플래팅

Gaussian Splatting with Reflections Guided by What is Seen

NeRF(Neural Radiance Fields)와 3DGS(3D Gaussian Splatting)와 같은 새로운 시점 합성(novel view synthesis) 방법들은 일반적인 장면에서 인상적인 성능을 보여주었지만, 시점 의존적인(view-dependent) 반사(specular) 효과, 특히 근거리 반사(near-field reflection)를 포착하는 데 어려움을 겪는 경우가 많다. 기존 방법들은 무한히 먼 곳의 광원만을 표현하는 환경 맵(environment map)이나, 반사로부터의 간접적인 감독(supervision)에만 의존하는 환경 가우시안(environment Gaussian)을 활용하지만, 이러한 효과를 정확하게 모델링하기에는 충분하지 않다. 본 논문에서는 입력 이미지에서 직접 관찰 가능한 환경 정보를 활용하는 2DGS(2D Gaussian Splatting) 기반 프레임워크를 제안한다. 또한 본 접근법은 하이브리드 반사 외관 표현과 시점 의존적인 반사 모델링을 통합한다. 공개 벤치마크와 새롭게 구축한 근거리 반사 데이터셋에 대한 실험을 통해 본 방법이 우수한 렌더링 품질과 기하학적 정확도를 달성함을 입증한다.

arXiv:2603.28431v4cs.CV공통 태그 Novel View Synthesis, NeRF

LG-HCC: 3D Gaussian Splatting을 위한 국소 기하 인식 계층적 컨텍스트 압축

LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting

3D Gaussian Splatting(3DGS)은 고충실도 실시간 렌더링을 가능하게 하지만, 과도한 저장 공간 부담이 실용 배포를 크게 저해한다. 최근 앵커 기반 3DGS 압축 방식은 고급 컨텍스트 모델을 통해 가우시안 중복을 줄인다. 그러나 이들은 명시적 기하 의존성을 간과하여 구조적 열화와 차원(rate-distortion) 성능 저하를 초래한다. 본 논문에서는 3DGS를 위한 국소 기하 인식 계층적 컨텍스트 압축(Local Geometry-aware Hierarchical Context Compression, LG-HCC) 프레임워크를 제안한다. 이는 앵커 간 기하 상관을 앵커 가지치기와 엔트로피 코딩에 통합하여 compact 표현을 달성한다. 구체적으로, 가중 이웃 특징 집계로 앵커 중요도를 평가한 뒤 기여도가 낮은 앵커를 두드러진 이웃에 병합하는 이웃 인식 앵커 가지치기(Neighborhood-Aware Anchor Pruning, NAAP) 전략을 도입하여, compact하면서도 기하적으로 일관된 앵커 집합을 만든다. 또한 경량 기하 유도 합성곱(Geometry-Guided Convolution, GG-Conv) 연산자로 거친-세밀(coarse-to-fine) 사전분포를 활용하는 계층적 엔트로피 코딩 방식을 추가로 설계하여, 공간적으로 적응적인 컨텍스트 모델링과 rate-distortion 최적화를 가능하게 한다. 광범위한 실험에서 LG-HCC는 구조 보존 문제를 효과적으로 완화하며, Mip-NeRF360 데이터셋에서 Scaffold-GS 기준선 대비 최대 30.85배 저장 공간을 줄이면서도 우수한 기하적 무결성과 렌더링 충실도를 달성한다.

arXiv:2604.13416v4cs.CV공통 태그 Novel View Synthesis, NeRF

DF3DV-1K: 방해물 제거 새로운 시점 합성을 위한 대규모 데이터셋 및 벤치마크

DF3DV-1K: A Large-Scale Dataset and Benchmark for Distractor-Free Novel View Synthesis

라디언스 필드(radiance fields)의 발전은 사실적인 새로운 시점 합성(novel view synthesis)을 가능하게 했습니다. 여러 도메인에서 장면 특화(scene-specific) 재구성을 넘어선 발전을 지원하고 종합적인 벤치마킹을 위해 대규모 실제 환경 데이터셋이 개발되었습니다. 하지만 방해물 제거 라디언스 필드(distractor-free radiance fields)의 경우, 장면별로 깨끗한 이미지와 방해물이 섞인(cluttered) 이미지를 모두 제공하는 대규모 데이터셋이 여전히 부족하여 개발이 제한되고 있습니다. 이러한 격차를 해소하기 위해 DF3DV-1K를 소개합니다. 이는 1,048개의 장면으로 구성된 대규모 실제 환경 데이터셋으로, 벤치마킹을 위해 각 장면마다 깨끗한 이미지 세트와 방해물이 섞인 이미지 세트를 제공합니다. 총 89,924장의 이미지가 포함된 이 데이터셋은 소비자용 카메라를 사용하여 일상적인 촬영(casual capture)을 모방하여 캡처되었으며, 실내 및 실외 환경에 걸쳐 128개의 방해물 유형과 161개의 장면 테마를 아우릅니다. 41개 장면으로 구성된 선별된 부분 집합인 DF3DV-41은 도전적인 시나리오에서 방해물 제거 라디언스 필드 방법들의 견고성(robustness)을 평가하도록 체계적으로 설계되었습니다. DF3DV-1K를 사용하여 최근의 방해물 제거 라디언스 필드 방법 9개와 3D 가우시안 스플래팅(3D Gaussian Splatting)을 벤치마킹하여 가장 견고한 방법과 가장 도전적인 시나리오를 식별했습니다. 벤치마킹을 넘어, DF3DV-1K의 응용 사례로 디퓨전 기반 2D 향상 모델(diffusion-based 2D enhancer)을 미세조정(fine-tuning)하여 라디언스 필드 방법을 개선하는 방법을 시연했습니다. 그 결과 보류 평가셋(held-out set, 예: DF3DV-41)과 On-the-go 데이터셋에서 평균 0.96 dB PSNR 및 0.057 LPIPS의 향상을 달성했습니다. DF3DV-1K가 방해물 제거 비전(distractor-free vision)의 개발을 촉진하고 장면 특화 접근 방식을 넘어선 진전을 촉진하기를 바랍니다. 데이터셋과 리더보드는 https://johnnylu305.github.io/df3dv1k_web/ 에서 확인할 수 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.