論文の概要: Deep Photon Mapping

• arxiv url: http://arxiv.org/abs/2004.12069v1
• Date: Sat, 25 Apr 2020 06:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 22:21:28.381227
• Title: Deep Photon Mapping
• Title（参考訳）: 深部光子マッピング
• Authors: Shilin Zhu, Zexiang Xu, Henrik Wann Jensen, Hao Su, Ravi Ramamoorthi
• Abstract要約: 本稿では,粒子ベースのレンダリングのための新しい深層学習手法を提案する。 我々は、カーネル関数を予測するために新しいディープニューラルネットワークをトレーニングし、シェーディングポイントでの光子寄与を集約する。 我々のネットワークは、個々の光子を光子ごとの特徴にエンコードし、シェーディングポイントの近傍でそれらを集約し、光子ごとの局所的特徴と光子ごとの局所的特徴からカーネル関数を推論する。
• 参考スコア（独自算出の注目度）: 59.41146655216394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, deep learning-based denoising approaches have led to dramatic improvements in low sample-count Monte Carlo rendering. These approaches are aimed at path tracing, which is not ideal for simulating challenging light transport effects like caustics, where photon mapping is the method of choice. However, photon mapping requires very large numbers of traced photons to achieve high-quality reconstructions. In this paper, we develop the first deep learning-based method for particle-based rendering, and specifically focus on photon density estimation, the core of all particle-based methods. We train a novel deep neural network to predict a kernel function to aggregate photon contributions at shading points. Our network encodes individual photons into per-photon features, aggregates them in the neighborhood of a shading point to construct a photon local context vector, and infers a kernel function from the per-photon and photon local context features. This network is easy to incorporate in many previous photon mapping methods (by simply swapping the kernel density estimator) and can produce high-quality reconstructions of complex global illumination effects like caustics with an order of magnitude fewer photons compared to previous photon mapping methods.
• Abstract（参考訳）: 近年,深層学習に基づくデノイジング手法がモンテカルロの低サンプル数レンダリングを劇的に改善している。 これらのアプローチは経路追跡を目標としており、光子マッピングが選択方法である因果関係のような難解な光輸送効果をシミュレートするには理想的ではない。 しかし、光子マッピングは高品質な再構成を達成するために非常に多くのトレース光子を必要とする。 本稿では,素粒子レンダリングのための最初の深層学習に基づく手法を開発し,全ての素粒子レンダリング法の中核である光子密度推定に焦点をあてた。 我々は、カーネル関数を予測するために新しいディープニューラルネットワークをトレーニングし、シェーディングポイントでの光子寄与を集約する。 我々のネットワークは個々の光子を光子当たりの特徴にエンコードし、それらをシェーディングポイントの近傍に集約して光子ローカルコンテキストベクトルを構築し、光子毎および光子ローカルコンテキスト特徴からカーネル関数を推測する。 このネットワークは、従来の多くのフォトンマッピング法(カーネル密度推定器を単純に交換することで)に組み込むのが容易であり、コースティックスのような複雑なグローバル照明効果を、従来のフォトンマッピング法よりも桁違いに少ないフォトンで高品質に再構成することができる。

関連論文リスト

• Tutorial: Shaping the Spatial Correlations of Entangled Photon Pairs [1.2316671400812602]
  このチュートリアルでは、光子対の絡み合いに基づく画像スキームに古典的な光整形の概念を適用する方法について述べる。 光子対状態の空間相関を形成するために空間光変調器を用いる2つの基本的な実験構成について述べる。 本稿では、これらの概念を拡張して光子対による収差と散乱補正を行う2つの最近の例を示す。
  論文  参考訳（メタデータ） (2024-02-12T14:20:33Z)
• NePF: Neural Photon Field for Single-Stage Inverse Rendering [6.977356702921476]
  多視点画像の逆レンダリングに対処するために,新しい単一ステージフレームワークNePF(Neural Photon Field)を提案する。 NePFは、神経暗黙表面の重み関数の背後にある物理的意味を完全に活用することで、この統一を実現する。 我々は本手法を実データと合成データの両方で評価する。
  論文  参考訳（メタデータ） (2023-11-20T06:15:46Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Image Denoising and the Generative Accumulation of Photons [63.14988413396991]
  我々は,次の光子がどこに到着できるかを予測するために訓練されたネットワークが,実際に最小平均二乗誤差(MMSE)を解くことを示している。 自己監督型認知のための新しい戦略を提案する。 本稿では,画像に少量の光子を反復的にサンプリングし,付加することにより,可能な解の後方からサンプリングする新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T08:03:32Z)
• NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field Indirect Illumination [48.42173911185454]
  逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。 本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-29T12:05:19Z)
• Fast simulation for multi-photon, atomic-ensemble quantum model of linear optical systems addressing the curse of dimensionality [0.0]
  複数の光子上の時間進化作用素を、単一の光子に作用する時間進化作用素のグループに分解する。 提案手法は,光子の空間伝播を可視化し,量子化技術の実験設計を支援する知見を提供する。
  論文  参考訳（メタデータ） (2023-02-27T16:54:58Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• Fast Correlated-Photon Imaging Enhanced by Deep Learning [5.2618075333626075]
  強い量子相関を持つ相関光子対は、様々な分野に量子上の利点をもたらすために利用されてきた。 深層学習により強調された高速相関光子イメージングを実験的に提案する。
  論文  参考訳（メタデータ） (2020-06-16T18:00:42Z)
• Adaptive optics with reflected light and deep neural networks [0.0]
  本研究では,反射光と深部ニューラルネットワークを併用した適応光学系の開発を行った。 励起及び検出経路収差と対応する反射焦点画像からなるサンプル収差の大規模なデータセットを生成する。 深層ニューラルネットワークは、散乱サンプルから記録された反射光画像に基づいて、励起と検出の収差を独立に歪め、補正することができる。
  論文  参考訳（メタデータ） (2020-04-09T15:39:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。