1초 이내에 선명한 단안 시야 합성 기여 내용: • 엔드투엔드 아키텍처: 본 연구에서는 고해상도 3D 가우시안 표현을 예측하도록 엔드투엔드 학습이 가능한 새로운 네트워크 아키텍처를 설계합니다. • 견고하고 효과적인 손실 함수 구성: 학습 안정성을 유지하고 일반적인 시각적 오류를 억제하면서 뷰 합성 품질을 우선시하기 위해 일련의 손실 함수를 신중하게 선택했습니다. • 깊이 정렬 모듈: 본 논문에서는 회귀 기반 뷰 합성 방법의 근본적인 과제인 학습 중 깊이 모호성을 효과적으로 해결할 수 있는 간단한 모듈을 소개합니다.
논문 링크: github.com/apple/ml-sharp 프로젝트: htapple.github.io/ml-sharp/코드: https://t.co/KivbS9V8lR
