Key points are not available for this paper at this time.
हम iNeRF प्रस्तुत करते हैं, एक फ्रेमवर्क जो "उलटने" के द्वारा मेष-रहित स्थिति अनुमान करता है एक न्यूरल रेडियंस फील्ड (NeRF) के। NeRFs को दृश्य संश्लेषण के कार्य के लिए अद्भुत रूप से प्रभावी साबित किया गया है - वास्तविक दुनिया के दृश्यों या वस्तुओं के फोटोरीयालिस्टिक नए दृश्यों का संश्लेषण करना। इस काम में, हम जांचते हैं कि क्या हम NeRF के जरिए विश्लेषण-द्वारा-घटक को लागू कर सकते हैं मेष-रहित, RGB-केवल 6DoF स्थिति अनुमान के लिए - एक छवि दी गई, एक कैमरे के अनुवाद और घुमाव को 3D वस्तु या दृश्य के सापेक्ष खोजना। हमारी विधि मानती है कि न तो प्रशिक्षण के दौरान और न ही परीक्षण के दौरान कोई वस्तु मेष मॉडलों की उपलब्धता है। प्रारंभिक स्थिति अनुमान से शुरू करते हुए, हम एक NeRF से रेंडर किए गए पिक्सलों और एक देखी गई छवि में पिक्सलों के बीच अवशेष को न्यूनतम करने के लिए ग्रेडिएंट डिसेंट का उपयोग करते हैं। हमारे प्रयोगों में, हम पहले अध्ययन करते हैं 1) स्थिति सुधार के दौरान iNeRF के लिए किरणों को कैसे नमूना लेना है ताकि सूचनात्मक ग्रेडिएंट्स एकत्रित किए जा सकें और 2) किरणों के विभिन्न बैच आकार iNeRF को एक सिंथेटिक डेटा सेट पर कैसे प्रभावित करते हैं। फिर हम यह दिखाते हैं कि LLFF डेटा सेट 21 से जटिल वास्तविक दुनिया के दृश्यों के लिए, iNeRF नवीन छवियों के कैमरा स्थितियों का अनुमान लगाकर NeRF को बेहतर बना सकता है और इन छवियों का उपयोग NeRF के लिए अतिरिक्त प्रशिक्षण डेटा के रूप में कर सकता है। अंत में, हम दिखाते हैं कि iNeRF श्रेणी-स्तरीय वस्तु स्थिति अनुमान कर सकता है, जिनमें वस्तुओं के उदाहरण शामिल हैं जो प्रशिक्षण के दौरान नहीं देखे गए, RGB छवियों के साथ एक NeRF मॉडल को एकल दृश्य से उलटकर।
Lin et al. (Mon,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: