論文の概要: Modular Primitives for High-Performance Differentiable Rendering

• arxiv url: http://arxiv.org/abs/2011.03277v1
• Date: Fri, 6 Nov 2020 10:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 04:40:55.166476
• Title: Modular Primitives for High-Performance Differentiable Rendering
• Title（参考訳）: 高性能微分レンダリングのためのモジュールプリミティブ
• Authors: Samuli Laine, Janne Hellsten, Tero Karras, Yeongho Seol, Jaakko Lehtinen, Timo Aila
• Abstract要約: 既存の高度に最適化されたグラフィックスパイプラインによる従来の手法よりも優れた性能を実現するモジュール式微分可能設計を提案する。 我々の設計は、多くの三角形、属性、フィルタされたテクスチャルックアップ、およびユーザプログラマブルシェーディングと幾何処理といった、現代のグラフィックパイプラインにおけるすべての重要な操作をサポートします。
• 参考スコア（独自算出の注目度）: 37.12883917723895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a modular differentiable renderer design that yields performance superior to previous methods by leveraging existing, highly optimized hardware graphics pipelines. Our design supports all crucial operations in a modern graphics pipeline: rasterizing large numbers of triangles, attribute interpolation, filtered texture lookups, as well as user-programmable shading and geometry processing, all in high resolutions. Our modular primitives allow custom, high-performance graphics pipelines to be built directly within automatic differentiation frameworks such as PyTorch or TensorFlow. As a motivating application, we formulate facial performance capture as an inverse rendering problem and show that it can be solved efficiently using our tools. Our results indicate that this simple and straightforward approach achieves excellent geometric correspondence between rendered results and reference imagery.
• Abstract（参考訳）: 本稿では,既存の高度に最適化されたハードウェアグラフィックスパイプラインを活用し,従来の手法よりも優れた性能を実現するモジュール型微分可能レンダラ設計を提案する。 私たちのデザインは、多くの三角形、属性補間、フィルタされたテクスチャルックアップ、およびユーザプログラマブルシェーディングと幾何学処理を高解像度でラスタライズする、現代のグラフィックパイプラインにおけるすべての重要な操作をサポートします。 私たちのモジュールプリミティブは、PyTorchやTensorFlowといった自動微分フレームワーク内で、カスタムで高性能なグラフィックパイプラインを直接構築できるようにしています。 モチベーションアプリケーションとして,顔のパフォーマンスキャプチャを逆レンダリング問題として定式化し,ツールを用いて効率よく解けることを示す。 提案手法は, 描画結果と参照画像との優れた幾何学的対応を達成できることを示す。

関連論文リスト

• SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis [66.44553285020066]
  SuperSVGは、高速かつ高精度な画像ベクトル化を実現するスーパーピクセルベースのベクトル化モデルである。 本稿では,2段階の自己学習フレームワークを提案する。そこでは,粗い段階モデルを用いて主構造を再構築し,細部を充実させるために改良段階モデルを用いる。 再現精度と推定時間の観点から, 最先端手法と比較して, 提案手法の優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-14T07:43:23Z)
• Evolutive Rendering Models [91.99498492855187]
  我々は、レンダリングプロセスを通して、動的に進化し適応する能力を持つレンダリングモデルである、テクスタイトボリューティブレンダリングモデルを提案する。 特に,3つの主要レンダリング要素の最適化を可能にする総合的な学習フレームワークを提案する。 安定な目標指向要素の進化を促進するために, 勾配特性の詳細な解析を行う。
  論文  参考訳（メタデータ） (2024-05-27T17:40:00Z)
• FaceFolds: Meshed Radiance Manifolds for Efficient Volumetric Rendering of Dynamic Faces [21.946327323788275]
  動的顔の3Dレンダリングは難しい問題である。 本稿では,アクターの動的顔パフォーマンスの高品質なレンダリングを可能にする新しい表現を提案する。
  論文  参考訳（メタデータ） (2024-04-22T00:44:13Z)
• Differentiable Blocks World: Qualitative 3D Decomposition by Rendering Primitives [70.32817882783608]
  本稿では,3次元プリミティブを用いて,シンプルでコンパクトで動作可能な3次元世界表現を実現する手法を提案する。 既存の3次元入力データに依存するプリミティブ分解法とは異なり,本手法は画像を直接操作する。 得られたテクスチャ化されたプリミティブは入力画像を忠実に再構成し、視覚的な3Dポイントを正確にモデル化する。
  論文  参考訳（メタデータ） (2023-07-11T17:58:31Z)
• NeuManifold: Neural Watertight Manifold Reconstruction with Efficient and High-Quality Rendering Support [45.68296352822415]
  マルチビュー入力画像から高品質な水密多様体メッシュを生成する手法を提案する。 提案手法は両世界の利点を組み合わせ, ニューラルネットワークから得られる幾何学と, よりコンパクトな神経テクスチャ表現を最適化する。
  論文  参考訳（メタデータ） (2023-05-26T17:59:21Z)
• Adaptive Single Image Deblurring [43.02281823557039]
  本稿では,画像間の大きなぼやけた変化を扱うために,効率的な画素適応化と特徴注意設計を提案する。 また、性能を大幅に向上させる効果的なコンテンツ認識グローバルローカルフィルタリングモジュールを提案する。
  論文  参考訳（メタデータ） (2022-01-01T10:10:19Z)
• Extracting Triangular 3D Models, Materials, and Lighting From Images [59.33666140713829]
  多視点画像観測による材料と照明の協調最適化手法を提案する。 従来のグラフィックスエンジンにデプロイ可能な,空間的に変化する材料と環境を備えたメッシュを活用します。
  論文  参考訳（メタデータ） (2021-11-24T13:58:20Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。