본문 바로가기

NERF5

[Notable] 3DGS(3D gaussian splatting) 은 Differentiable 한가? ▶3DGS 는 Explicit Representation (명시적 표현) 방식이지만, 렌더링 과정이 미분 가능하게 설계되어 있어서 학습할 수 있습니다. ✅ Explicit Representation인데 왜 Differentiable 할까?보통 Explicit Representation(명시적 표현)은 3D 객체를 직접적으로 나타내는 방식이기 때문에, 미분이 어렵다고 생각할 수 있습니다.예를 들어:Point Cloud (점 클라우드) → 단순한 3D 좌표 집합이므로 미분이 어려움.Mesh (메쉬, 삼각형 기반 모델) → 버텍스(Vertex)와 페이스(Face)로 표현되며, 일반적인 경우 미분이 쉽지 않음.하지만 3DGS는 Gaussian Splatting을 사용하여 미분 가능(differentiable)한.. 2025. 2. 17.

[Paper Review] Triplane Meets Gaussian Splatting: Fast and Generalizable Single-View 3D Reconstruction with Transformers https://arxiv.org/abs/2312.09147 Triplane Meets Gaussian Splatting: Fast and Generalizable Single-View 3D Reconstruction with TransformersRecent advancements in 3D reconstruction from single images have been driven by the evolution of generative models. Prominent among these are methods based on Score Distillation Sampling (SDS) and the adaptation of diffusion models in the 3D domain. Despitarxi.. 2025. 2. 17.

[Notable] Explicit Representation VS Implicit Representation 1. Explicit Representation (명시적 표현)🔍 정의:Explicit Representation은 데이터를 직접적이고 구체적으로 표현하는 방식입니다.모델이 다루는 구조, 특성, 데이터 포인트 등이 명확한 형태로 정의됩니다.📊 예시:이미지 데이터: 픽셀 값으로 이루어진 RGB 이미지 각 픽셀의 색상, 위치가 정확하게 저장됨3D 모델링: 메쉬(Mesh) 기반 모델: 점(vertex)과 면(face)의 좌표가 명확하게 기록됨통계 모델: 가우시안 분포: 평균(μ)과 분산(σ²)이 명확하게 정의됨✅ 장점: 직관적이고 해석이 쉬움 데이터나 구조의 변경이 용이 명확한 수식 또는 규칙에 기반❌ 단점: 복잡한 데이터를 표현할수록 비용이 큼 (메모리, 계산량 증가) 고차원 데이터에서는 비효율적일 수 .. 2025. 1. 31.

[Notable] NeRF vs Voxel vs Mesh 1. NeRF (Neural Radiance Fields)의 장점:세밀한 디테일: NeRF는 볼륨 렌더링을 사용하여 매우 세밀한 장면을 생성할 수 있습니다. 이를 통해 복잡한 조명 효과, 디테일한 질감, 모든 방향에서의 렌더링에서 뛰어난 품질을 얻을 수 있습니다. 특히, 빛의 반사와 굴절 등 물리적 상호작용을 세밀하게 모델링할 수 있다는 점에서 고해상도의 사실적인 결과를 얻을 수 있습니다.연속적인 표현: NeRF는 3D 공간을 연속적인 밀도와 색상 값으로 모델링합니다. 이 방식은 3D 장면을 디지털화할 때 부드럽고 자연스러운 전환을 가능하게 하여 더 고급스러운 시각적 효과를 제공합니다.고품질 렌더링: NeRF는 이미지 기반의 3D 합성에서 매우 사실적인 결과를 제공합니다. 특히 사진처럼 자연스러운 조명과.. 2025. 1. 21.

[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.

이전 1 다음

티스토리툴바