論文の概要: Two-Stage Monte Carlo Denoising with Adaptive Sampling and Kernel Pool

• arxiv url: http://arxiv.org/abs/2103.16115v1
• Date: Tue, 30 Mar 2021 07:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:41:09.537700
• Title: Two-Stage Monte Carlo Denoising with Adaptive Sampling and Kernel Pool
• Title（参考訳）: 適応サンプリングとカーネルプールを用いた2段モンテカルロ雑音化
• Authors: Tiange Xiang, Hongliang Yuan, Haozhi Huang, Yujin Shi
• Abstract要約: 適応的サンプリング戦略に基づく2段階のデノイザーを提案することでモンテカルロレンダリングの問題点に取り組む。 第1段階では,1ピクセル (spp) あたりのサンプルをオンザフライで調整すると同時に,計算を再利用し,適応的に描画された画像に適用した余分なデノナイズカーネルを生成する。 第2段階では,空間-時間安定性を改善するために位置認識プーリングと意味アライメント演算子を設計する。
• 参考スコア（独自算出の注目度）: 4.194950860992213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monte Carlo path tracer renders noisy image sequences at low sampling counts. Although great progress has been made on denoising such sequences, existing methods still suffer from spatial and temporary artifacts. In this paper, we tackle the problems in Monte Carlo rendering by proposing a two-stage denoiser based on the adaptive sampling strategy. In the first stage, concurrent to adjusting samples per pixel (spp) on-the-fly, we reuse the computations to generate extra denoising kernels applying on the adaptively rendered image. Rather than a direct prediction of pixel-wise kernels, we save the overhead complexity by interpolating such kernels from a public kernel pool, which can be dynamically updated to fit input signals. In the second stage, we design the position-aware pooling and semantic alignment operators to improve spatial-temporal stability. Our method was first benchmarked on 10 synthesized scenes rendered from the Mitsuba renderer and then validated on 3 additional scenes rendered from our self-built RTX-based renderer. Our method outperforms state-of-the-art counterparts in terms of both numerical error and visual quality.
• Abstract（参考訳）: モンテカルロパストレーサは低サンプリング数でノイズの多い画像列を描画する。 このようなシーケンスの復調には大きな進歩があったが、既存の手法はまだ空間的および一時的なアーティファクトに悩まされている。 本稿では,適応的サンプリング戦略に基づく2段階のデノイザーを提案することにより,モンテカルロレンダリングの問題点に取り組む。 第1段階では,1ピクセル (spp) あたりのサンプルをオンザフライで調整すると同時に,計算を再利用し,適応的に描画された画像に適用した余分なデノナイズカーネルを生成する。 画素単位のカーネルを直接予測するのではなく、これらのカーネルをパブリックカーネルプールから補間することでオーバーヘッドの複雑さを軽減し、入力信号に適合するように動的に更新することができる。 第2段階では,空間-時間安定性を改善するために位置認識プーリングと意味アライメント演算子を設計する。 提案手法はまず,三葉レンダラーからレンダリングした10の合成シーンをベンチマークし,RTXベースのレンダラーからレンダリングした3つの追加シーンを検証した。 本手法は,数値誤差と視覚的品質の両方の観点から,最先端の手法よりも優れる。

関連論文リスト

• MVSGaussian: Fast Generalizable Gaussian Splatting Reconstruction from Multi-View Stereo [54.00987996368157]
  MVSGaussianは、Multi-View Stereo(MVS)から導かれる新しい一般化可能な3次元ガウス表現手法である。 MVSGaussianは、シーンごとにより良い合成品質でリアルタイムレンダリングを実現する。
  論文  参考訳（メタデータ） (2024-05-20T17:59:30Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction [59.40711222096875]
  VastGaussianは3次元ガウススティングに基づく大規模シーンにおける高品質な再構成とリアルタイムレンダリングのための最初の方法である。 提案手法は既存のNeRF手法より優れており,複数の大規模シーンデータセットの最先端結果が得られる。
  論文  参考訳（メタデータ） (2024-02-27T11:40:50Z)
• GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
  我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。 提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2023-12-04T18:59:55Z)
• 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)
• HiFA: High-fidelity Text-to-3D Generation with Advanced Diffusion Guidance [19.252300247300145]
  本研究は,高品質なテキスト・ツー・3D生成を実現するための全体的サンプリングと平滑化手法を提案する。 テキスト・画像拡散モデルの潜時空間と画像空間における復調スコアを計算する。 単一段最適化において高品質なレンダリングを生成するため,我々はNeRF線に沿ったz座標の分散の正則化を提案する。
  論文  参考訳（メタデータ） (2023-05-30T05:56:58Z)
• Event-based Camera Simulation using Monte Carlo Path Tracing with Adaptive Denoising [10.712584582512811]
  イベントベースのビデオは、ノイズのある明るさ値から変化を検出するプロセスと見なすことができる。 重み付き局所回帰に基づく復調法を拡張し,明るさ変化を検出する。
  論文  参考訳（メタデータ） (2023-03-05T08:44:01Z)
• Shape, Light & Material Decomposition from Images using Monte Carlo Rendering and Denoising [0.7366405857677225]
  レイトレーシングとモンテカルロの統合を取り入れたより現実的なシェーディングモデルが, 形状, 材料, 照明の分解を著しく改善することを示す。 我々は、新しい逆レンダリングパイプラインに複数の重要サンプリングとデノイングを組み込んだ。 これは収束を大幅に改善し、低いサンプル数での勾配に基づく最適化を可能にする。
  論文  参考訳（メタデータ） (2022-06-07T15:19:18Z)
• Differentiable Point-Based Radiance Fields for Efficient View Synthesis [57.56579501055479]
  本稿では,効率的な新規ビュー合成のための微分可能レンダリングアルゴリズムを提案する。 我々の手法は、トレーニングと推論の両方において、NeRFよりも最大300倍高速である。 ダイナミックなシーンでは,STNeRFよりも2桁早く,ほぼインタラクティブなレートでレンダリングを行う。
  論文  参考訳（メタデータ） (2022-05-28T04:36:13Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)

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。