効率的なニューラル放射輝度場のための因数分解マルチレゾリューション・ハッシュグリッド：エッジデバイスでの実行

要旨: 本稿では、オンデバイスでニューラル放射輝度場を学習するための新しいパラメータ符号化手法であるFact-Hashを提案します。ニューラル放射輝度場（NeRF）は3D表現において極めて重要な役割を果たすことが示されていますが、大きな計算資源が必要なため、その応用には限界があります。オンデバイス学習は、通信の制約、プライバシー上の懸念、頻繁に変化するシーンへの高速な適応といった点で強みを提供し、幅広い応用領域を切り拓く可能性があります。しかし、GPUメモリ、ストレージ、電力といった限られた資源が、その導入を妨げています。そこで本稿では、テンソル因子分解とハッシュ符号化の手法を統合した、新しいパラメータ符号化であるFact-Hashを提案します。この統合により、次の2つの利点が得られます。すなわち、高解像度の豊富な特徴の利用と、少数ショットに対する頑健性です。Fact-Hashでは、ハッシュ関数を適用する前に3D座標を複数の低次元形（2Dまたは1D）へ射影し、それらを単一の特徴に集約します。最先端手法との比較評価により、Fact-Hashがメモリ効率において優れており、品質とレンダリング速度を維持できることが示されます。Fact-Hashは、従来の符号化手法と比較して、PSNR値を維持しながら、メモリ使用量を3分の1以上削減します。オンデバイス実験では、計算効率およびエネルギー消費の観点で、Fact-Hashが他の位置符号化手法よりも優れていることが検証されます。これらの結果は、Fact-Hashが、特徴グリッド表現を改善し、メモリ制約に対処し、さまざまな応用において品質を向上させるための有望な解決策であることを示しています。プロジェクトページ: https://facthash.github.io/