論文の概要: Learning to Factorize and Relight a City

• arxiv url: http://arxiv.org/abs/2008.02796v1
• Date: Thu, 6 Aug 2020 17:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:56:48.525889
• Title: Learning to Factorize and Relight a City
• Title（参考訳）: 都市の要因化とリライトを学ぶ
• Authors: Andrew Liu, Shiry Ginosar, Tinghui Zhou, Alexei A. Efros, Noah Snavely
• Abstract要約: 本研究では,屋外のシーンを時間的に異なる照明と永続的なシーン要素に遠ざけるための学習ベースのフレームワークを提案する。 照明効果やシーン形状の変化など,新しい画像のリアルな操作には,学習した不整合因子が有効であることを示す。
• 参考スコア（独自算出の注目度）: 70.81496092672421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a learning-based framework for disentangling outdoor scenes into temporally-varying illumination and permanent scene factors. Inspired by the classic intrinsic image decomposition, our learning signal builds upon two insights: 1) combining the disentangled factors should reconstruct the original image, and 2) the permanent factors should stay constant across multiple temporal samples of the same scene. To facilitate training, we assemble a city-scale dataset of outdoor timelapse imagery from Google Street View, where the same locations are captured repeatedly through time. This data represents an unprecedented scale of spatio-temporal outdoor imagery. We show that our learned disentangled factors can be used to manipulate novel images in realistic ways, such as changing lighting effects and scene geometry. Please visit factorize-a-city.github.io for animated results.
• Abstract（参考訳）: 本研究では,屋外シーンを時間的に異なる照明と永続的なシーン要素に分離する学習型フレームワークを提案する。 古典的な内在的なイメージ分解に触発されて、学習信号には2つの洞察が浮かび上がっています。 1)不連続要因を組み合わせることにより、原像を再構成し、 2) 永久要因は同一シーンの複数の時間的サンプルに対して一定に保たなければならない。 トレーニングを容易にするために、googleストリートビューから屋外のタイムラプス映像を都市規模で収集するデータセットを構築し、同じ場所を時間を通じて繰り返しキャプチャする。 このデータは、時空間的な屋外イメージの前例のない規模を表している。 学習した不整合因子は、照明効果やシーン形状の変化など、現実的な方法で新しい画像を操作できることを示す。 アニメーションの結果は factorize-a-city.github.io をご覧ください。

関連論文リスト

• Neural Scene Chronology [79.51094408119148]
  我々は、視点、照明、時間の独立した制御で写真リアルなレンダリングをレンダリングできる、時間変化の3Dモデルを再構築することを目指している。 本研究では,画像ごとの照明を埋め込んだ時空間放射場として,時間的に変化するシーン変化を学習ステップ関数のセットを用いて符号化する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:58Z)
• Self-Supervised Feature Learning for Long-Term Metric Visual Localization [16.987148593917905]
  本稿では,メトリクスの視覚的ローカライゼーションのための新しい自己教師型特徴学習フレームワークを提案する。 提案手法は, 画像照合アルゴリズムを用いて, 基底構造ラベルを使わずに画像対応を生成する。 次に、画像ペアをサンプリングして、深層ニューラルネットワークをトレーニングし、関連する記述子とスコアのスパースな特徴を学習する。
  論文  参考訳（メタデータ） (2022-11-30T21:15:05Z)
• Neural Radiance Transfer Fields for Relightable Novel-view Synthesis with Global Illumination [63.992213016011235]
  本稿では,ニューラル計算された放射光伝達関数を学習し,新しい視点下でのシーンリライティング手法を提案する。 本手法は,1つの未知の照明条件下で,シーンの実際の画像に対してのみ監視することができる。 その結果, シーンパラメータのアンタングルの復元は, 現状よりも有意に向上していることがわかった。
  論文  参考訳（メタデータ） (2022-07-27T16:07:48Z)
• Factorized and Controllable Neural Re-Rendering of Outdoor Scene for Photo Extrapolation [50.00344639039158]
  本稿では, 乱雑な屋外インターネット写真コレクションから新たなビューを生成するために, ニューラルリレンダリングモデルを提案する。 また,テクスチャの詳細を補完する新しいリアリズム拡張法を提案し,そのテクスチャの詳細を狭められた画像から外挿したニューラルレンダリング画像に自動的に伝達する。
  論文  参考訳（メタデータ） (2022-07-14T13:28:08Z)
• Multi-view Gradient Consistency for SVBRDF Estimation of Complex Scenes under Natural Illumination [6.282068591820945]
  本稿では,自然照明下で観察された複雑なシーンの表面反射率を空間的に変化させる手法を提案する。 エンドツーエンドのプロセスでは、シーンの幾何学のモデルと、シーンの表面をキャプチャするいくつかの画像を使用する。 実験により, 複雑な形状を持つ任意の屋外シーンに対して, 現実的な結果が得られた。
  論文  参考訳（メタデータ） (2022-02-25T23:49:39Z)
• IBRNet: Learning Multi-View Image-Based Rendering [67.15887251196894]
  本稿では,近接ビューの疎集合を補間することにより,複雑なシーンの新しいビューを合成する手法を提案する。 レンダリング時にソースビューを描画することで、画像ベースのレンダリングに関する古典的な作業に戻ります。
  論文  参考訳（メタデータ） (2021-02-25T18:56:21Z)
• Crowdsampling the Plenoptic Function [56.10020793913216]
  このようなデータから時間変動照明下での新しいビュー合成手法を提案する。 本稿では,新しいDeepMPI表現について紹介する。 本手法は従来のMPI法と同等のパララックスとビュー依存効果を合成し, 反射率の変化と光の時間変化を同時に補間する。
  論文  参考訳（メタデータ） (2020-07-30T02:52:10Z)

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。