[論文レビュー] NeRF: Neural Radiance Field in 3D Vision: A Comprehensive Review (Updated Post-Gaussian Splatting)

Kyle Gao, Yina Gao+4 more|ArXiv.org|Oct 1, 2022

Robotics and Sensor-Based Localization被引用数 105

ひとこと要約

提供されたテキストはIEEEtran LaTeXテンプレートと提出実務のガイドであり、実際のNeRFレビュー論文ではありません。

ABSTRACT

In March 2020, Neural Radiance Field (NeRF) revolutionized Computer Vision, allowing for implicit, neural network-based scene representation and novel view synthesis. NeRF models have found diverse applications in robotics, urban mapping, autonomous navigation, virtual reality/augmented reality, and more. In August 2023, Gaussian Splatting, a direct competitor to the NeRF-based framework, was proposed, gaining tremendous momentum and overtaking NeRF-based research in terms of interest as the dominant framework for novel view synthesis. We present a comprehensive survey of NeRF papers from the past five years (2020-2025). These include papers from the pre-Gaussian Splatting era, where NeRF dominated the field for novel view synthesis and 3D implicit and hybrid representation neural field learning. We also include works from the post-Gaussian Splatting era where NeRF and implicit/hybrid neural fields found more niche applications. Our survey is organized into architecture and application-based taxonomies in the pre-Gaussian Splatting era, as well as a categorization of active research areas for NeRF, neural field, and implicit/hybrid neural representation methods. We provide an introduction to the theory of NeRF and its training via differentiable volume rendering. We also present a benchmark comparison of the performance and speed of classical NeRF, implicit and hybrid neural representation, and neural field models, and an overview of key datasets.

研究の動機と目的

• IEEEtran LaTeXテンプレートの目的と適用範囲、および最終印刷版とIEEE Xplore提出版の制限について説明する。
• IEEE論文の一般的な前文・本文・後付の作成手順を段階的に示す。
• 準拠した提出を保証する実践的なガイドライン、例、および最終チェックリストを提供する。

提案手法

• 異なるIEEE刊行タイプ（ジャーナル、会議、COMPSOC など）のdocumentclassオプションを説明する。
• 前書き情報（タイトル、著者、要旨、キーワード）とランニングヘッダの構成方法を示す。
• 図表、式、引用、リスト、略歴ノートのテンプレとコーディング例を提供する。
• LaTeXパッケージの使用と提出時に避けるべき一般的な落とし穴に関する指針を示す。
• 番号付け・相互参照・フォーマット整合性を確保する最終チェックリストを含める。

実験結果

リサーチクエスチョン

• RQ1 さまざまなIEEE刊行タイプに推奨されるdocumentclassオプションは何か？
• RQ2 IEEE提出物における前要素とランニングヘッドの構成方法は？
• RQ3 IEEEtranベースの原稿における図表・式・参考文献のベストプラクティスは何か？
• RQ4 IEEE提出物のためにLaTeXを使用する際に著者が避けるべき一般的な間違いは何か？

主な発見

• IEEEtranの機能とコマンドを、一般的な刊行要素向けに網羅的に整理している。
• IEEEスタイルの前要素・セクション・図・表・式・参照文献の具体的な例を示している。
• 書式エラーを最小化し、IEEE提出ワークフローへの互換性を確保する実用的なチェックリストを提供している。
• ドラフトテンプレートと最終的なIEEE Xplore対応出力の区別を強調し、IEEEテンプレートセレクターを参照している。
• テンプレート取得とサポートのためのソフトウェア配布とオンラインリソース（TUG、TeX Live）を推奨している。