CF-NeRF: Camera Parameter Free Neural Radiance Fields with Incremental Learning
원문 초록
Neural Radiance Fields (NeRF) have demonstrated impressive performance in novel view synthesis. However, NeRF and most of its variants still rely on traditional complex pipelines to provide extrinsic and intrinsic camera parameters, such as COLMAP. Recent works, like NeRFmm, BARF, and L2G-NeRF, directly treat camera parameters as learnable and estimate them through differential volume rendering. However, these methods work for forward-looking scenes with slight motions and fail to tackle the rotation scenario in practice. To overcome this limitation, we propose a novel \underline{c}amera parameter \underline{f}ree neural radiance field (CF-NeRF), which incrementally reconstructs 3D representations and recovers the camera parameters inspired by incremental structure from motion (SfM). Given a sequence of images, CF-NeRF estimates the camera parameters of images one by one and reconstructs the scene through initialization, implicit localization, and implicit optimization. To evaluate our method, we use a challenging real-world dataset NeRFBuster which provides 12 scenes under complex trajectories. Results demonstrate that CF-NeRF is robust to camera rotation and achieves state-of-the-art results without providing prior information and constraints.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
3D 가우시안 삼각측량을 통한 점진적 온라인 장면 재구성
Incremental Online Scene Reconstruction by 3D Gaussian Triangulation
점진적 장면 재구성(incremental scene reconstruction)은 실세계 응용에 필수적이다. 3D 가우시안 스플래팅(3D Gaussian Splatting)이 강력한 잠재력을 보이고 있음에도 불구하고, 대부분의 기존 접근법은 명시적 메시 추출을 위해 최적화된 가우시안을 중간 암시적 필드로 오프라인 변환해야 하며, 이는 다운스트림 태스크와의 원활한 통합을 저해한다. 이러한 한계를 해결하기 위해, 우리는 밀집 기하학적 가우시안 표현을 직접 삼각측량하여 고충실도 명시적 메시를 점진적으로 재구성하고 업데이트하는 새로운 온라인 프레임워크를 제안한다. 이 프레임워크는 고품질 렌더링과 점진적 표면 재구성을 모두 지원한다. 또한, 가우시안 집합으로부터 메시를 효율적으로 추출하고 업데이트하는 직접 메싱 알고리즘을 제시한다. 메시 정확도를 보장하기 위해, 3D 가우시안 프리미티브를 근사된 로컬 표면에 동적으로 정렬하는 평면 기반 풀링 제약(plane-based pulling constraint)을 적용한다. 나아가, 완전히 최적화된 과거 영역을 동적으로 동결(freezing)함으로써 장시간 시퀀스 처리 중 메모리 및 연산 오버헤드를 크게 줄인다. 공개 데이터셋에 대한 실험을 통해, 우리 방법이 렌더링 품질과 재구성 정확도 모두에서 기존 가우시안 기반 방법들을 능가함을 입증한다.
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.
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.
Hash-QNeRF: 양자 신경 방사 필드를 위한 다중해상도 해시 인코딩
Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields
신경 방사 필드(Neural Radiance Fields, NeRF)는 신규 시점 합성을 혁신했지만, 고전적 구현은 고충실도 렌더링에 여전히 계산 비용이 크다. QNeRF는 최근 진폭 임베딩, 매개변수화 양자 회로(PQC), 패리티 기반 측정, 체적 렌더링을 결합하여 게이트 기반 양자 컴퓨터에서 NeRF를 학습하는 것이 가능함을 보였다. 그러나 QNeRF는 공간 좌표에 고전적 사인파 위치 인코딩에 의존하며, 이는 장면 복잡도 및 해상도에 따라 확장성이 떨어진다. 본 연구에서는 시점 방향 인코딩, 진폭 MLP, 양자 회로, 패리티 측정, 출력 스케일링, 체적 렌더링 파이프라인은 그대로 유지한 채, 공간 좌표용 사인파 위치 인코딩을 Instant-NGP의 다중해상도 해시 인코딩으로 대체한다. 이 하이브리드 설계인 Hash-QNeRF는 학습 가능한 해시 그리드의 빠른 수렴과 메모리 효율성을 활용하면서도 양자 방사량 예측 단계를 유지한다. 합성 Blender 장면에서 최종 학습 손실 0.003534를 달성했으며, 이는 피팅된 배치에서 약 24.5 dB PSNR에 해당한다. Qiskit FakeKyiv 및 FakeTorino 백엔드를 사용한 잡음 강건성 실험에서는 상태 충실도가 0.93에서 0.98로 나타나, 해시 인코딩이 양자 회로의 잡음 내성을 저하시키지 않음을 보인다.
Deformable Triangle Splatting: 실시간 Radiance Field 렌더링을 위한 유연한 프리미티브
Deformable Triangle Splatting: Flexible Primitives for Real-Time Radiance Field Rendering
최근 radiance field 방법들은 가우시안 디스크부터 삼각형까지, 표면 정렬과 효율적인 래스터화를 제공하는 2D 프리미티브로 장면을 표현하지만, 모두 볼록(convex) 경계에 의존한다. 곡선 및 오목(concave) 구조는 과도한 수의 프리미티브를 요구한다. 우리는 Deformable Triangle Splatting을 제안한다. 이는 각 삼각형의 변마다 $K$개의 제어점을 추가하며, 각 제어점은 경계를 안쪽 또는 바깥쪽으로 이동시키는 단일 학습 가능 스칼라 변위(displacement)로 매개변수화되어, 3D 평면을 정의하는 세 개의 기본 정점을 유지하면서 비볼록(non-convex) 형상 표현을 가능하게 한다. 이러한 비볼록 프리미티브를 미분 가능하게 렌더링하기 위해, 삼각형의 barycentric 좌표 공간에서 래스터화 파이프라인을 설계하여 시점 일관(view-consistent) 렌더링을 보장한다. winding number 테스트는 각 픽셀이 변형된 프리미티브 내부에 있는지를 판별하며, sharpness와 corner smoothness라는 두 개의 학습 가능 매개변수로 제어되는 window function과 프리미티브당 스칼라 opacity가 함께 내부에서 경계로의 부드러운 opacity 전환을 생성한다. 검증은 다양한 실세계 장면에서 수행되며, 비체적(non-volumetric) 프리미티브 기반 최근 연구들을 시각적 품질과 범용성 측면에서 능가하면서도 여전히 경쟁력 있는 렌더링 효율을 달성한다.
Future Rendering ≠ Future Surface: 관측 구간을 넘어선 동적 표면 재구성을 위한 벤치마크와 데이터셋
Future Rendering $\neq$ Future Surface: A Benchmark and Dataset for Dynamic Surface Reconstruction Beyond the Observed Window
동적 장면 재구성은 거의 항상 관측된 시간 구간 내에서 평가되지만, AR 오버레이, 로봇 상호작용, 예측적 계획(anticipatory planning)과 같은 배포 환경에서는 캡처된 시점을 넘어선 시점의 기하학, 즉 미래 표면(future surface)이 필요하다. 이를 측정하는 표준 벤치마크는 없다. 본 연구는 장면 다양성을 정확한 미래 ground truth와 반증(falsification) 통제와 교환하는, 미래 시점 표면 재구성을 위한 통제된 진단용 벤치마크 및 데이터셋 FutureSurf를 소개한다. 방법은 시퀀스의 관측된 처음 75%에서 학습하고, 추출된 프레임별 표면을 보류된 미래 구간에서 Chamfer distance로 채점한다. 절대 미래 CD를 주요 점수로, 미래/관측 격차를 진단 지표로 보고한다. 데이터셋에는 분석적으로 정의된 8가지 통제된 동작이 포함되며, 그중 3가지는 반증 통제이고, 프레임별 정확한 ground-truth 메시를 제공한다. 또한 ground truth 측의 복원 가능성(recoverability) 오라클도 제공한다. 릴리스에는 분할 파일, 채점 코드, 벤치마크 카드, Croissant 메타데이터가 포함된다. 통제된 동작에서 DG-Mesh 백본은 원칙적으로 예측 가능한 미래(관측된 동작으로 고정 규칙에 따라 5개 중 4개가 복원 가능)에 대해서도 2.7–4.1× 격차를 남기는 반면, 반증 통제는 설계대로 동작한다(표면 불변 동작은 격차가 없음). 기여된 데이터셋을 넘어, 이 격차는 6개의 애니메이션 DG-Mesh 에셋 장면과 두 번째 백본인 Deformable-3DGS(2.0–6.6×; 둘 다 deformation-MLP 시간 모델을 공유)에서도 지속된다. 벤치마크는 또한 미래 렌더링 품질과 미래 표면 정확도가 통계적으로 분리(decoupled)되어 있음을 보여주므로, 해당 분야에서 보고하는 신규 시점 합성(novel-view-synthesis) 지표가 미래 기하학을 반영하지 않는다. 미래 오차는 구조적이며, 표면이 움직이는 곳에 집중된다. 데이터셋, 평가 툴킷, 채점 코드는 Hugging Face와 GitHub(https://github.com/Ricky-S/futuresurf)에서 이용할 수 있다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.