🔵

a9.3_1.1.3. title: NeRF는 이산적 표현(‣)과 완전히 다른 결의 연속적 표현을 제안하여, 이산적 표현이 자체적으로 가지는 한계를 극복했다.

생성

🚀 prev note

♻️ prev note

a9.3_2. title: NeRF 에서 Ray는 이미지 평면 위의 픽셀 하나에 영향을 주는 모든 파티클들이 존재하는 3D 공간상의 직선이다. Ray 위 모든 점들의 색상을 더하되, 벽처럼 밀한 것은 많이 반영하고 물과 공기처럼 소한 것은 조금만 고려한다.

🚀 next note

♻️ next note

14 more properties

이산적인(참고2:또는 샘플링된 sampled) 3D 표현이라고 라고 한다면 무엇이 있을까? 3D 는 점으로 표현하기도 한다(포인트클라우드). 혹은 삼각형 표면(Triangle Meshes)으로 표현하기도 한다. 혹은 복셀 그리드(Voxel Grids)로 표현하기도 한다(참고1,2).

NeRF 의 핵심 컨셉 ‘ray’ 는 공간상의 직선이다. 수학적으로 직선은 무한개의 점으로 구성되어 있다. 이때문에 ray 위의 어느 점에도 파티클이 존재할 수 있어 ray는 연속적이라는 특징이 있다(from1).

3D representation 이랑 view synthesis vs image-based rendering: NeRF 에서는 이것들을 구분하는 의미가 없지 않은가. NeRF 에서는 이 모든 것들이 동시에 일어나니까.

parse me

3p, Related Work, However, these models are limited by their requirement of access to ground truth 3D geometry, typically obtained from synthetic 3D shape datasets such as ShapeNet [3].

14p, Conclusions, Another direction for future work is interpretability: sampled representations such as voxel grids and meshes admit reasoning about the expected quality of rendered views and failure modes, but it is unclear how to analyze these issues when we encode scenes in the weights of a deep neural network.

from

a9.3_2. title: NeRF 에서 Ray는 이미지 평면 위의 픽셀 하나에 영향을 주는 모든 파티클들이 존재하는 3D 공간상의 직선이다. Ray 위 모든 점들의 색상을 더하되, 벽처럼 밀한 것은 많이 반영하고 물과 공기처럼 소한 것은 조금만 고려한다.

opposite

참고

Neural 3D Representations Classic approaches largely rely on discrete representations such as meshes, voxel grids, point clouds.

14p, Conclusion, better renderings than the previously-dominant approach of training deep convolutional networks to output discretized voxel representations.