Endo-NeRF++: 動的術野再構成のための不確実性を考慮したマルチ解像度ハッシュ符号化ニューラルレンダリング
Endo-NeRF++: Uncertainty-Aware Neural Rendering with Multi-Resolution Hash Encoding for Dynamic Surgical Scene Reconstruction
動的な手術シーンの再構成精度を高めるため、マルチ解像度ハッシュグリッド符号化と時間的特徴融合、不確実性駆動の適応サンプリングを導入したニューラルレンダリング手法を提案した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Gousia Habib, Laura Ruotsalainen
分類: eess.IV, cs.CV
原文アブストラクト
Reconstructing dynamic surgical scenes is crucial for robot-assisted minimally invasive surgery; however, it continues to be difficult because of tissue deformation, occlusions, specular reflections, and restricted viewpoints. In this study, we introduce Endo-NeRF++, a neural rendering framework that accounts for uncertainty in the reconstruction of dynamic surgical scenes. Expanding on EndoNeRF, the suggested approach incorporates multi-resolution hash-grid encoding, temporal feature merging, and uncertainty-informed adaptive sampling to enhance reconstruction accuracy and temporal coherence in deformable endoscopic scenes.The multi-resolution hash-grid representation within the framework effectively captures both coarse and fine anatomical details, while temporal feature blending ensures stable reconstruction during tissue deformation and surgical tool occlusions. Additionally, uncertainty-driven adaptive sampling assigns more samples to uncertain areas to enhance rendering quality and geometric coherence. Experiments on robotic surgical video sequences demonstrate that the proposed uncertainty-guided adaptive sampling improves PSNR by up to 1.22dB (4.3%), increases SSIM by up to 5.3%, and reduces LPIPS by up to 55.1% compared with the EndoNeRF baseline.
関連論文
- 浮遊放射輝度ネットワークニューラルレンダリング
- TRON: 3Dガウス再構成のためのニューラルレンダラをオーケストレーションする光線追跡ニューラルレンダリング
- MLPスプラッティング：オブジェクト中心のニューラルフィールドニューラルレンダリング
- 密なメトリック深度を組み込んだニューラル3D表現による視点合成と再照明ニューラルレンダリング
- NSLF-OL: リアルタイム逐次3D再構成と並行したニューラル表面ライトフィールドのオンライン学習ニューラルレンダリング
