🔔 Prime n° 004 - Optimisation automatique des hyperparamètres par scène Concevoir un système pour LichtFeld Studio (GPLv3) qui détermine automatiquement les hyperparamètres optimaux pour chaque scène lors de l'entraînement. Utiliser la densification MCMC (nombre de gaussiennes ajustable). Objectif : +0,15 dB PSNR par rapport à la valeur de référence MipNeRF360. Cagnotte : 2 430 $. Plus de détails et le lien se trouvent dans la discussion ci-dessous !
🧾 Règles de base (Résumé) : • Exécuter pendant l'entraînement sans réglage manuel par scène. • Ajustez les taux d'apprentissage pour la position, l'échelle, la rotation, l'opacité et les harmoniques sphériques. • Modifier les seuils/intervalles de densification, le nombre d'itérations, le nombre de gaussiennes et d'autres paramètres de qualité/convergence. • Fork à partir de la branche bounty_004. • S’assurer que les essais sont reproductibles.
💡 Approches que vous pouvez utiliser : • Contrôleurs RL (RLGS / politique d'ajustement des calendriers) • Optimisation bayésienne / SMAC (HPO basé sur un modèle) • Méta-apprentissage / adaptation par scène (ajustement rapide) • Méthodes hypergraduées basées sur le gradient (planifications LR apprenables) • Optimiseurs de formation basés sur la population / sans planification • Toute nouvelle combinaison — mais la densification MCMC + les gaussiennes ajustables sont requises.
📦 Soumettre : • PR vers bounty_004 avec un point d'entrée exécutable • Tableau des résultats (toutes les scènes MipNeRF360) • Présentation visuelle et technique • Dépendances + licences compatibles GPLv3 C++ préféré (Python = réduction de 20 % de la prime). Date limite : 12 octobre 2025 à 23h59 HNP (12 octobre 2025 à 11h59 HNP). Bonne chance!
Sponsors du prix total de 2 430 $ : @Auki 1000 $ @fulligin 500 $ @janusch_patas 300 $ @YeheLiu 280 $ @kennethlynne 200 $ @fhahlbohm 100 $ @mazy1998 50github.com/MrNeRF/LichtFe…https://t.discord.gg/NqwTqVYVmj: https://t.co/vHUPD8hcdg