본문 바로가기

분류 전체보기125

[Paper Review] NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis Abstract이 논문에서는 복잡한 장면의 새로운 시점을 생성하며, 기존 연구를 뛰어넘는 성능을 달성하는 방법을 제안한다.이 방법은 소수의 입력 뷰를 사용하여 연속적인 volume scene 함수를 최적화한다.알고리즘은 장면을 fully connected (not convolution) deep network 로 표현한다. - 입력: 연속적인 5D 좌표 => 공간 위치(x, y, z) 와 시점 방향(θ, φ) 을 입력- 출력: 해당 위치의 체적 밀도(volume density) 와 시점 종속 방출 복사광(view-dependent emitted radiance) 출력- 합성 과정: 카메라에서 장면으로 뻗어나가는 광선(rays) 을 따라 5D 좌표(공간위치와 시점방향)를 선택한 뒤, 해당 좌표에서 신경망을.. 2024. 12. 10.
[Paper Review] DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation Abstract1. DeepSDF란?- 학습 기반의 연속적 Signed Distance Function (SDF) 표현- 형상 클래스 전체를 고품질로 표현, 보간(interpolation), 불완전 데이터 복원 가능2. 표현 방식- 부피 필드에서 점의 크기: 표면 경계까지의 거리- 부호: 형상 내부(-) 또는 외부(+)- 경계는 함수의 0-level-set 으로 암묵적으로 인코딩3. 기존 SDF 와 차이점- 기존 SDF 는 단일 형상 표현- DeepSDF 는 형상 클래스 전체를 학습하고 표현 가능4. 성과- 3D 형상 표현과 복원에서 최첨단 성능- 모델 크기를 기존 대비 10배 감소 Introduction1. 문제 정의: 3D 딥러닝 모델은 기존 방식에서 공간 및 시간 복잡도 증가, 정점(vertex) .. 2024. 12. 9.
[Paper Review] DeepVoxels: Learning Persistent 3D Feature Embeddings Abstract이 논문은 3D 이해가 부족한 생성 신경망의 문제를 해결하기 위한 새로운 접근법을 제시한다.구체적으로 DeepVoxels 는 3D 장면의 복잡한 기하학을 모델링하지 않으면서도, 시점에 따라 달라지는 외형을 정확히 캡처할 수 있는 효율적인 3D 특징 임베딩을 제안한다. 이를 통해 새로운 시점에서 장면을 재구성하는 문제를 해결하고, 기존 방법들보다 더 높은 품질의 Synthesis 결과를 얻을 수 있다. Introduction Generative Machine Learning:- 최근 몇 년 동안 Generative Machine Learning 기술이 크게 발전하여, 이미지 생성과 같은 작업에서 뛰어난 성과를 보여주고 있다.- 변분 오토인코더(Aariational Autoencoders) 나.. 2024. 12. 4.
[DL/WIL] 3 텍스트 데이터를 위한 인공 신경망 입력 데이터의 흐름이 앞으로만 전달되는 신경망을 피드포워드 신경망(feedforward neural network)라고 한다.Fully connected neural network 나 Convolution neural network 는 기억 장치가 없어서, 하나의 샘플(또는 하나의 배치)를 사용하여 정방향 계산을 수행하고 나면 그 샘플은 버려지고 다음 샘플을 처리할 때 재사용하지 않는다. 신경망이 이전에 처리했던 샘플을 다음 샘플을 처리하는데 재사용하기 위해서는 이렇게 데이터 흐름이 앞으로만 전달되어서는 곤란하다.다음 샘플을 위해서 이전 데이터가 신경망 층에 순환될 필요가 있다. 순환 신경망(Recurrent Neural Network, RNN)순환 신경망에서는 특별히 층을 cell 이라고 부른다. 한 .. 2024. 11. 23.

티스토리툴바