Nvidia dynamic dataset evaluation 결과 [윤우]
|
PSNR |
ssim |
lpips-alex |
lpips-vgg |
ms-ssim |
dssim |
| Balloon1 |
20.9421 |
0.7099 |
0.1756 |
0.2238 |
0.7786 |
0.1107 |
| Balloon2 |
25.2247 |
0.8190 |
0.0869 |
0.1278 |
0.9133 |
0.0433 |
| Jumping |
22.8648 |
0.7407 |
0.1599 |
0.2142 |
0.8003 |
0.0998 |
| Playground |
23.2954 |
0.8788 |
0.0608 |
0.0950 |
0.9316 |
0.0342 |
| Skating |
26.2979 |
0.9185 |
0.0702 |
0.0893 |
0.8905 |
0.0547 |
| Truck |
26.5760 |
0.8393 |
0.0939 |
0.1341 |
0.9257 |
0.0372 |
| Umbrella |
22.9307 |
0.7205 |
0.1219 |
0.1701 |
0.8539 |
0.0731 |
| mean |
24.0188 |
0.8038 |
0.1099 |
0.1506 |
0.8706 |
0.0647 |
[필수] Supplementary Material에 들어가야할 내용들
논문 본문에서 실제로
회의록
Qualitative result [호승]
- 모델 하이퍼파라미터 detail, 데이터셋 구성 detail
- tnt와 iphone의 데이터셋 구성 디테일 똑같음 (nope-nerf 논문 참고)
- 비디오 첨부 여부 (안 하는 것이 좋을 것 같음) → cherry-picking된 결과 위주로 퀄만 보여주기
- [x] kubric - success
- [x] iphone
- [x] failure case - kubric, iphone
- [x] tnt
- [ ] nvidia
- [ ] ours sam & tam 비교
<세부사항>
- 한 qual 당 1~2 페이지.
- 여러 개 뽑아도 됨. 우리 게 좀 망가져도 좋음.
- failure case
- 다 박살나는 걸 적자. (우리 게 좀 더 잘되면 best)
- 다른 게 성공한다면, 이게 왜 잘되는지 아키텍쳐 특성과 연관짓던가, 정당화를 할 수 있어야 함.
Nvidia dataset[윤우, 준명, 호승]
- neural field geometry가 모든 baseline에 대해 동일하게 학습.