[논문 리뷰] NeRF: Neural Radiance Field in 3D Vision: A Comprehensive Review (Updated Post-Gaussian Splatting)

Kyle Gao, Yina Gao외 4명|ArXiv.org|2022. 10. 01.

Robotics and Sensor-Based Localization인용 수 105

한 줄 요약

제공된 텍스트는 IEEEtran LaTeX 템플릿 및 제출 관행에 대한 가이드이며 실제 NeRF 리뷰 논문이 아닙니다.

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.

연구 동기 및 목표

• IEEEtran LaTeX 템플릿의 목적과 범위, 최종 인쇄와 IEEE Xplore 제출 간의 한계에 대해 설명한다.
• IEEE 기사에서 일반적인 프런트 매터, 섹션 및 백 매터를 생성하기 위한 단계별 지침을 제공한다.
• 적합한 제출을 보장하기 위한 실용적 가이드라인, 예시, 최종 체크리스트를 제공한다.

제안 방법

• 다양한 IEEE 게시 유형(저널, 컨퍼런스, compsoc 등)에 대한 documentclass 옵션을 설명한다.
• 프런트 매터(제목, 저자, 초록, 키워드)와 러닝 헤더를 구성하는 방법을 보여준다.
• 그림, 표, 방정식, 인용, 목록 및 약력에 대한 템플릿과 코딩 예제를 제공한다.
• 제출 중 피해야 할 일반적 함정과 LaTeX 패키지 사용에 대한 지침을 제시한다.
• 번호 매김, 교차 참조 및 형식의 정확성을 보장하기 위한 최종 체크리스트를 포함한다.

실험 결과

연구 질문

• RQ1 다양한 IEEE 게시 유형에 권장되는 documentclass 옵션은 무엇인가?
• RQ2 IEEE 제출물에서 프런트 매터와 러닝 헤드를 어떻게 구성해야 하는가?
• RQ3 IEEEtran 기반 원고의 그림, 표, 방정식 및 참고문헌에 대한 모범 사례는 무엇인가?
• RQ4 IEEE 제출을 위해 LaTeX를 사용할 때 저자들이 피해야 할 일반적인 실수는 무엇인가?

주요 결과

• 일반 게시 요소를 위한 IEEEtran 기능 및 명령어의 포괄적 목록을 제공한다.
• IEEE 스타일의 프런트 매터, 섹션, 그림, 표, 방정식 및 참고문헌에 대한 구체적 예시를 제시한다.
• 형식 오류를 최소화하고 IEEE 제출 워크플로와의 호환성을 보장하기 위한 실용적 체크리스트를 제공한다.
• 초안 템플릿과 최종 IEEE Xplore 준비 출력 간의 차이를 강조하고 IEEE 템플릿 선택기를 참조한다.
• 템플릿과 지원을 얻기 위한 소프트웨어 배포판 및 온라인 리소스(TUG, TeX Live)를 권장한다.