文章图片
研究者提出了用于可微单像素点渲染的假性梯度（ghost gradient） ， 并表示假性梯度在场景细化过程中可以提升梯度准确性和增强稳健性 。 他们通过一个消融实验来确认这一说法 。 实验结果如下图 7 所示 ， 图（上）展示了姿态优化前后合成图像和真值之间的像素误差 。 可以清楚地看到 ， 在添加位置和旋转噪声之前 ， 使用假性梯度可以使感知损失收敛到初始解 。
文章图片
新视角合成 。 除了场景细化外 ， 该方法还可以在多视角立体数据集上合成新的视图 。 下图 8 展示了合成的两个测试帧 。 比较结果可以发现 Synsin、NPBG 和该研究所用方法可以很好地合成参考帧 ， 而 Pulsar 和 NRW 的输出稍差 。
文章图片
该研究还在下表 II 中提供了定量评估 。 该表显示了所有测试图像的平均 VGG 损失、LPIPS 损失 [87] 和峰值信噪比 (PSNR) 。 所有方法都是通过最小化 VGG 损失来训练的 。
文章图片
HDR 神经渲染 。 出于评估目的 ， 该研究从训练集中删除了 20 个随机选择的帧 ， 并让系统从估计的姿势中合成它们 。 存储在图像元数据中的测试帧的曝光值传递给色调映射器（tone mapper） 。 下图 11 显示了一些测试帧 ， 左列是真实情况 ， 中间是合成视图 ， 右列是每像素误差图 。
文章图片
优化的色调映射器 (TM) 类似于捕获过程中使用的数码相机的物理和光学特性 。 在推理时替换 TM 的结果如下图 12 所示：
文章图片
特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。