論文の概要: Photon-Driven Neural Path Guiding

• arxiv url: http://arxiv.org/abs/2010.01775v1
• Date: Mon, 5 Oct 2020 04:54:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 21:13:40.525444
• Title: Photon-Driven Neural Path Guiding
• Title（参考訳）: 光子駆動ニューラルパス誘導
• Authors: Shilin Zhu, Zexiang Xu, Tiancheng Sun, Alexandr Kuznetsov, Mark Meyer, Henrik Wann Jensen, Hao Su, Ravi Ramamoorthi
• Abstract要約: 本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。 我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
• 参考スコア（独自算出の注目度）: 102.12596782286607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although Monte Carlo path tracing is a simple and effective algorithm to synthesize photo-realistic images, it is often very slow to converge to noise-free results when involving complex global illumination. One of the most successful variance-reduction techniques is path guiding, which can learn better distributions for importance sampling to reduce pixel noise. However, previous methods require a large number of path samples to achieve reliable path guiding. We present a novel neural path guiding approach that can reconstruct high-quality sampling distributions for path guiding from a sparse set of samples, using an offline trained neural network. We leverage photons traced from light sources as the input for sampling density reconstruction, which is highly effective for challenging scenes with strong global illumination. To fully make use of our deep neural network, we partition the scene space into an adaptive hierarchical grid, in which we apply our network to reconstruct high-quality sampling distributions for any local region in the scene. This allows for highly efficient path guiding for any path bounce at any location in path tracing. We demonstrate that our photon-driven neural path guiding method can generalize well on diverse challenging testing scenes that are not seen in training. Our approach achieves significantly better rendering results of testing scenes than previous state-of-the-art path guiding methods.
• Abstract（参考訳）: モンテカルロ経路追跡は、フォトリアリスティックな画像を合成するための単純かつ効果的なアルゴリズムであるが、複雑なグローバル照明を伴う場合、ノイズのない結果に収束するのは非常に遅い。 最も成功した分散還元手法の1つは、ピクセルノイズを減らすために重要サンプリングのためにより良い分布を学ぶことができるパス誘導である。 しかし、以前の手法では、信頼できるパスガイドを実現するために多数のパスサンプルが必要だった。 本稿では,オフライントレーニングニューラルネットワークを用いて,サンプルのスパース集合から経路誘導を行うための高品質サンプリング分布を再構成する新しいニューラルパス誘導手法を提案する。 我々は,光源からの光子をサンプリング密度再構成の入力として活用し,この光子は強い全球照度を持つシーンに対して非常に有効である。 ディープニューラルネットワークをフル活用するために、シーン空間を適応的な階層グリッドに分割し、このネットワークを適用して、シーン内の任意のローカル領域の高品質なサンプリング分布を再構築する。 これにより、パストレースの任意の場所において、任意のパスバウンドを効率的に導くことができる。 我々は、光子駆動ニューラルパス誘導法が、トレーニングで見られない様々な挑戦的なテストシーンをうまく一般化できることを実証する。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。

関連論文リスト

• Fast Local Neural Regression for Low-Cost, Path Traced Lambertian Global Illumination [0.0]
  リアルタイム光の予算は、コモディティハードウェア上で1ピクセルあたりのサンプル数個に制限されている。 ニューラルネットワークを計算効率のよい局所線形モデルベースデノイザに組み込むことを提案する。 非常に低いサンプル数でランベルティアンシーンのグローバル照明の忠実な単一フレーム再構成を実演する。
  論文  参考訳（メタデータ） (2024-10-15T14:14:06Z)
• RL-based Stateful Neural Adaptive Sampling and Denoising for Real-Time Path Tracing [1.534667887016089]
  モンテカルロ経路追跡は、現実的な画像合成の強力な手法であるが、低いサンプル数での高レベルのノイズに悩まされている。 本稿では,サンプリング重要度ネットワーク,遅延空間エンコーダネットワーク,デノイザネットワークをエンドツーエンドでトレーニングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-05T12:39:27Z)
• Efficient Ray Sampling for Radiance Fields Reconstruction [4.004168836949491]
  レイサンプリング戦略は ネットワーク収束に大きな影響を与えます ニューラルレイディアンス場に対する新しいレイサンプリング手法を提案する。 提案手法は,公開ベンチマークデータセットにおける最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-29T18:11:32Z)
• Inverse Global Illumination using a Neural Radiometric Prior [26.29610954064107]
  グローバル照明を考慮に入れた逆レンダリング手法が普及しつつある。 本稿では,従来の微分可能経路トレーサに完全経路積分を構築するための簡易な方法として,ラジオメトリック先行手法を提案する。
  論文  参考訳（メタデータ） (2023-05-03T15:36:39Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Active Exploration for Neural Global Illumination of Variable Scenes [6.591705508311505]
  マルコフ連鎖モンテカルロを用いた新しいアクティブ探索法を提案する。 我々は、新しいシーンインスタンスのレンダリングを学習するニューラルジェネレータにアプローチを適用する。 本手法は, 硬質光輸送路のインタラクティブなレンダリングを可能にする。
  論文  参考訳（メタデータ） (2022-03-15T21:45:51Z)
• InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
  ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。 提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。 複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
  論文  参考訳（メタデータ） (2021-12-31T11:56:01Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Light Stage Super-Resolution: Continuous High-Frequency Relighting [58.09243542908402]
  光ステージから採取した人間の顔の「超解像」を学習ベースで解析する手法を提案する。 本手法では,ステージ内の隣接する照明に対応する撮像画像を集約し,ニューラルネットワークを用いて顔の描画を合成する。 我々の学習モデルは、リアルな影と特異なハイライトを示す任意の光方向のレンダリングを生成することができる。
  論文  参考訳（メタデータ） (2020-10-17T23:40:43Z)

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。