Gaussian in the Wild: 3D Gaussian Splatting for Unconstrained Image Collections Dongbin Zhang, Chuming Wang, Weitao Wang, Peihao Li, Minghan Qin, Haoqian Wang Abstract제약이 없는 야생 이미지에서 새로운 뷰 합성은 의미 있지만 어려운 작업으로 남아 있습니다. 이러한 제약이 없는 이미지의 photometric 변화와 transient occluders로 인해 원래 장면을 정확하게 재구성하는 것이 어렵습니다. 이전 접근 방식은 Neural Radiance Fields (NeRF)에 전역적인 외관 피쳐를 도입하여 문제를 해결합니다. 그러나 실제 세계에서는 장면에서 각 작은 점의 고..

NeRF On-the-go: Exploiting Uncertainty for Distractor-free NeRFs in the Wild Weining Ren, Zihan Zhu, Boyang Sun, Jiaqi Chen, Marc Pollefeys, Songyou Peng AbstractNeural Radiance Fields (NeRFs)는 정적 장면의 멀티뷰 이미지에서 사진사실적인 뷰를 합성하는 데 놀라운 성공을 보여주었지만 움직이는 물체, 그림자 및 조명 변화와 같은 distractors가 있는 동적인 실제 환경에서는 어려움을 겪고 있습니다.기존 방법은 제어된 환경과 낮은 폐색 비율을 관리하지만 특히 높은 폐색 시나리오에서는 렌더링 품질에 미치지 못합니다. 이 논문에서는 자연스럽게 캡처된 이미지 ..

Splatfacto-W: A Nerfstudio Implementation of Gaussian Splatting for Unconstrained Photo Collections Congrong Xu, Justin Kerr, Angjoo Kanazawa Abstract정확한 장면 재구성을 복잡하게 만드는 photometric 변화와 일시적인 폐색기로 인해 제약이 없는 야생 이미지 컬렉션의 새로운 뷰 합성은 여전히 중요하지만 어려운 작업입니다. 이전 방법은 이미지별 외관 피쳐 임베딩을 Neural Radiance Field (NeRF)에 통합하여 이러한 문제에 접근해 왔습니다. 3D Gaussian Splatting (3DGS)은 더 빠른 학습과 실시간 렌더링을 제공하지만, 아키텍처가 크게 다르기 때문에 ..

RobustNeRF: Ignoring Distractors with Robust Losses Sara Sabour, Suhani Vora, Daniel Duckworth, Ivan Krasin, David J. Fleet, Andrea Tagliasacchi AbstractNeural radiance fields (NeRF)는 정적 장면의 멀티뷰, 보정된 이미지가 주어졌을 때 새로운 뷰를 합성하는 데 탁월합니다. 장면에 이미지 캡처 중에 지속되지 않는 distractors (이동하는 물체, 조명 변화, 그림자)가 포함된 경우, 아티팩트는 뷰 종속 효과 또는 'floaters'로 나타납니다. distractors에 대처하기 위해 학습 데이터에서 distractors를 최적화 문제의 이상치로 모델링하여 Ne..

Cross-Ray Neural Radiance Fields for Novel-view Synthesis from Unconstrained Image Collections Yifan Yang, Shuhai Zhang, Zixiong Huang, Yubing Zhang, Mingkui Tan AbstractNeural Radiance Fields (NeRF)는 픽셀당 단일 ray를 샘플링하여 장면을 렌더링하는 혁신적인 접근 방식으로, 정적 장면 이미지에서 새로운 뷰 합성에 인상적인 기능을 입증했습니다. 그러나 실제로는 일반적으로 제약이 없는 이미지 컬렉션에서 NeRF를 복구해야 하므로 두 가지 과제가 있습니다: 1) 이미지는 캡처 시간과 카메라 설정이 다르기 때문에 종종 외형이 동적으로 변화하며, 2) 이미..

NeRF-MS: Neural Radiance Fields with Multi-Sequence Peihao Li, Shaohui Wang, Chen Yang, Bingbing Liu, Weichao Qiu, Haoqian Wang AbstractNeural radiance fields (NeRF)는 단일 시퀀스 데이터로만 학습할 때 새로운 뷰 합성에서 인상적인 성능을 달성합니다. 그러나 더 나은 재구성 성능을 위해서는 서로 다른 시간에 서로 다른 카메라로 캡처한 멀티 시퀀스를 활용하는 것이 필수적입니다. 멀티 시퀀스 데이터에는 두 가지 주요 과제가 필요합니다: 조명 조건이 다르고 보행자와 같은 비 정적 물체로 인한 외관 변화. 이러한 문제를 해결하기 위해 멀티 시퀀스 데이터로 NeRF를 학습하는 새로운 접..