SqueezeNeRF：面向内存高效推理的进一步分解 FastNeRF
计算机视觉与模式识别
2022-10-10 v3
摘要
神经辐射场（NeRF）已成为生成复杂场景新视角的最先进方法，但其推理过程非常缓慢。最近，出现了多项加速 NeRF 推理的工作，但实时 NeRF 推理的最先进方法依赖于缓存神经网络输出，这会占用数 GB 的磁盘空间，从而限制了其在现实世界中的适用性。由于缓存原始 NeRF 网络的神经网络输出不可行，Garbin 等人提出了“FastNeRF”，将问题分解为两个子网络——一个仅依赖于采样点的 3D 坐标，另一个仅依赖于 2D 相机观察方向。尽管这种分解使他们能够减小缓存大小并以每秒超过 200 帧的速度进行推理，但内存开销仍然很大。在这项工作中，我们提出了 SqueezeNeRF，其内存效率比 FastNeRF 的稀疏缓存高出 60 倍以上，并且在推理期间仍能在高性能 GPU 上以每秒超过 190 帧的速度进行渲染。
引用
@article{arxiv.2204.02585,
title = {SqueezeNeRF: Further factorized FastNeRF for memory-efficient inference},
author = {Krishna Wadhwani and Tamaki Kojima},
journal= {arXiv preprint arXiv:2204.02585},
year = {2022}
}
备注
9 pages, 3 figures, 5 tables. Presented in the "5th Efficient Deep Learning for Computer Vision" CVPR 2022 Workshop"