NeRF 는 그 강력한 성능에 비해 너무나 느린 Training, Rendering 속도로 인해서 여러가지 단점을 안고 있다. 이를 해결하기 위해 Voxel 을 활용하는 연구들이 제시되었지만 속도 향상이 제한적이거나, 성능과의 trade-off 를 겪는 문제점을 보여주
NeRF 의 기본 개념은 간단한 편이지만, 막상 Dataloader 부터 from scratch 로 구현하려고 하면 어려운 부분이 많다. 그중에서도 ray casting 에 필요한 ray direction 과 ray origin 을 어떻게 구하는지 수식과 대응하는 li
NeRF 등의 neural rendering 기법은 강력한 3D novel view synthesis 성능을 자랑하지만, non-lambertian effect (view-dependent color change) 를 모사하기 위해서 rendering view 가 바뀔
NeRF 의 등장 이후 3D novel-view synthesis 분야는 NeRF's family 의 홍수를 맞이했다. Vanilla NeRF 는 당장 real-world task 로 적용하기에는 여러가지 한계점이 있으며, (e.g, Slow convergence &
NeRF 는 MLP 를 이용하여 3D scene 을 고전적인 ray casting 방식: density & color 로 표현하는 방법이다. 일반적인 Neural Network 가 generalization 능력을 극대화하는 방향으로 사용되는데 반면, NeRF 는 Ne
https://neurips.cc/virtual/2020/protected/poster_55053683268957697aa39fba6f231c68.htmlNeurIPS2020 Spotlight Paper위 논문은 Fourier-featuring (coordin
최근 OpenAI 에서 발표된 Video Generation AI Sora 의 결과 동영상을 이용해 Neural Rendering (NeRF/3D Gaussian Splatting) 으로 3D reconstruction 을 진행해보고, 이에 대한 고찰을 몇 개 남긴다.
NeRF 나 3D GS로 만든 object 가 게임이나 VR 등 실제 3D contents 로 소비되기 위해서 넘어야 할 장애물과 현 상황에 대해 공유한다.
1. 들어가며 2D Diffusion 의 성공 이후로, Diffusion Model 의 막강한 성능에 힘입어 depth, normal map 등의 geometric information 을 diffusion 으로 추론하려는 연구가 이어지고 있다. 1. Marigol