Využití NeRF v rámci husté rekonstrukce

Abstract

Tato práce poskytuje přehled metod využívaných k syntéze nových snímků 3D scény, které jsou založené na metodě Neural Radiance Fields. Klade si za cíl zlepšit metodu mip-NeRF s využitím husté informace o hloubce. Toho je dosaženo vložením ztrátových funkcí, založených na hloubkové supervizi, z metody DS-NeRF do metody mip-NeRF implementované v repozitáři MultiNeRF. Jedna ze ztrátových funkcí byla navíc modifikována. Tyto ztrátové funkce byly použity k experimentům, které porovnávají výsledky modifikované metody mip-NeRF s výsledky její původní varianty na syntetických datech i datech z reálného světa.This thesis provides an overview of methods for Novel view synthesis based on Neural Radiance Fields. It focuses on improving mip-NeRF by incorporating dense depth information. That is achieved by implementing depth supervision loss functions from the DS-NeRF method into the MultiNeRF implementation of mip-NeRF. One of the loss functions is then modified and implemented into our code repository. The loss functions were used for experiments that compared the results of the modified mip-NeRF method to the results of the unmodified mip-NeRF implementation. Finally, all methods have been evaluated on synthetic and real-world datasets.