CLEAR-NeRF: 무한한 장면에서의 공선성 및 국소 영역 강화를 통한 정확한 3D 재구성

많은 실제 3D 재구성 (3D reconstruction) 애플리케이션은 까다로운 조명 조건과 불완전한 캡처가 포함된 무한하고 복잡한 장면 전반에 걸쳐 실사 수준의 품질과 미터법적 정확도 (metric accuracy)를 요구하지만, 현재의 신경 복사장 (Neural Radiance Field, NeRF) 파이프라인은 이를 부분적으로만 충족합니다. 본 연구는 디지털 트윈 (digital-twin) 애플리케이션에 적합한 미터법적 정확도를 강제하는 동시에, 조명 및 포즈 변화에 대한 강건성 (robustness)을 향상시키기 위해 NeRF 기반 3D 재구성을 다중 관심 영역 (multi-region of interest) 무한 장면으로 확장합니다. 우리의 접근 방식은 다음과 같은 요소들을 도입합니다: (i) 서브모듈을 확산시키지 않으면서 관심 영역을 원활하게 우선순위화하는 자동화된 국소 영역 위치 파악/탐지 및 재구성, (ii) 매끄러운 평면 및 곡면을 학습하기 위한 공선성 강제 광선 샘플링 (collinearity-enforcing ray sampling), (iii) 표면 아티팩트 (surface artifacts)를 억제하기 위한 깊이 국소화된 이웃 점 추출 (depth-localized neighborhood point extraction), (iv) 조명 및 포즈로 인한 변화를 완화하기 위한 기하학 관련 색상 집계 (geometry-relevant color aggregation). 결과는 제안된 파이프라인이 베이스라인 NeRF 모델 및 기존의 SfM (Structure from Motion) - MVS (Multi-View Stereo) 솔루션보다 우수한 성능을 보임을 나타냅니다.