論文の概要: Fast Monte Carlo Rendering via Multi-Resolution Sampling
- arxiv url: http://arxiv.org/abs/2106.12802v1
- Date: Thu, 24 Jun 2021 07:35:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 03:32:21.602565
- Title: Fast Monte Carlo Rendering via Multi-Resolution Sampling
- Title（参考訳）: マルチレゾリューションサンプリングによる高速モンテカルロレンダリング
- Authors: Qiqi Hou, Zhan Li, Carl S Marshall, Selvakumar Panneer, Feng Liu
- Abstract要約: モンテカルロレンダリングアルゴリズムを高速化するハイブリッドレンダリング手法を提案する。
提案手法は,高試料レート(LRHS)の低解像度と低試料レート(HRLS)の高解像度の高解像度の2種類のレンダリングを生成する。
- 参考スコア（独自算出の注目度）: 6.203886925467029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monte Carlo rendering algorithms are widely used to produce photorealistic
computer graphics images. However, these algorithms need to sample a
substantial amount of rays per pixel to enable proper global illumination and
thus require an immense amount of computation. In this paper, we present a
hybrid rendering method to speed up Monte Carlo rendering algorithms. Our
method first generates two versions of a rendering: one at a low resolution
with a high sample rate (LRHS) and the other at a high resolution with a low
sample rate (HRLS). We then develop a deep convolutional neural network to fuse
these two renderings into a high-quality image as if it were rendered at a high
resolution with a high sample rate. Specifically, we formulate this fusion task
as a super resolution problem that generates a high resolution rendering from a
low resolution input (LRHS), assisted with the HRLS rendering. The HRLS
rendering provides critical high frequency details which are difficult to
recover from the LRHS for any super resolution methods. Our experiments show
that our hybrid rendering algorithm is significantly faster than the
state-of-the-art Monte Carlo denoising methods while rendering high-quality
images when tested on both our own BCR dataset and the Gharbi dataset.
\url{https://github.com/hqqxyy/msspl}
- Abstract（参考訳）: モンテカルロレンダリングアルゴリズムは、フォトリアリスティックなコンピュータグラフィックス画像を作成するために広く使われている。
しかし、これらのアルゴリズムは適切な大域照明を可能にするために1ピクセルあたりの相当量の光をサンプリングする必要があるため、膨大な量の計算を必要とする。
本稿では,モンテカルロレンダリングアルゴリズムを高速化するハイブリッドレンダリング手法を提案する。
提案手法はまず,高試料レート(LRHS)の低解像度と低試料レート(HRLS)の高解像度の高解像度の2種類のレンダリングを生成する。
そして、これらの2つのレンダリングを高精細で高いサンプルレートでレンダリングするように高画質の画像に融合する深い畳み込みニューラルネットワークを開発した。
具体的には、この融合タスクを、hrlsレンダリングを支援する低解像度入力(lrhs)から高分解能レンダリングを生成するスーパーレゾリューション問題として定式化する。
HRLSレンダリングは、超解像法ではLRHSからの回復が困難である重要な高周波の詳細を提供する。
実験の結果,我々のハイブリッドレンダリングアルゴリズムは,BCRデータセットとGharbiデータセットの両方でテストした場合に高品質な画像をレンダリングしながら,最先端のモンテカルロ復調法よりもはるかに高速であることがわかった。
https://github.com/hqqxyy/msspl}
関連論文リスト
- SRGS: Super-Resolution 3D Gaussian Splatting [14.26021476067791]
本稿では,高分解能(HR)空間における最適化を実現するために,超解像3Dガウススティング(SRGS)を提案する。
サブピクセル制約はHR空間における視点の増大のために導入され、多重低解像度(LR)ビューのサブピクセル・クロスビュー情報を利用する。
MIP-NeRF 360 や Tanks & Temples のような挑戦的なデータセットにおいて,HRNVS のレンダリング品質は LR 入力のみで向上する。
論文 参考訳（メタデータ） (2024-04-16T06:58:30Z) - Auxiliary Features-Guided Super Resolution for Monte Carlo Rendering [8.54858933529271]
レンダリングするピクセル数を削減し、モンテカルロレンダリングアルゴリズムを高速化する超解像度。
我々は高分解能補助機能を利用して低分解能レンダリングの超分解能を導出する。
提案手法は,高精細化における高精細化法とモンテカルロデノナイジング法の両方に優れることがわかった。
論文 参考訳（メタデータ） (2023-10-20T02:45:13Z) - Super-Resolution of License Plate Images Using Attention Modules and
Sub-Pixel Convolution Layers [3.8831062015253055]
監視画像における構造的特徴およびテクスチャ的特徴の検出を強化するために,Single-Image Super-Resolution (SISR) アプローチを導入する。
提案手法は,サブピクセルの畳み込み層と,光学的文字認識(OCR)モデルを用いて特徴抽出を行うロス関数を含む。
以上の結果から, これらの低解像度合成画像の再構成手法は, 定量化と定性化の両面で, 既存の画像よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-05-27T00:17:19Z) - Multiscale Representation for Real-Time Anti-Aliasing Neural Rendering [84.37776381343662]
Mip-NeRFは、スケール情報をエンコードする円錐フラストラムとしてマルチスケール表現を提案する。
我々は,リアルタイムなアンチエイリアスレンダリングのためのマルチスケールな明示的表現であるmip voxel grids (Mip-VoG)を提案する。
私たちのアプローチは、マルチスケールのトレーニングとリアルタイムのアンチエイリアスレンダリングを同時に提供する最初の方法です。
論文 参考訳（メタデータ） (2023-04-20T04:05:22Z) - CoordFill: Efficient High-Resolution Image Inpainting via Parameterized
Coordinate Querying [52.91778151771145]
本稿では,近年の連続的暗黙表現の発達により,その限界を初めて破ろうとする。
実験の結果,提案手法はGTX 2080 Ti GPUを用いて2048$times$2048の画像をリアルタイムに処理できることがわかった。
論文 参考訳（メタデータ） (2023-03-15T11:13:51Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳（メタデータ） (2022-12-22T09:05:07Z) - Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。
すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。
ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
論文 参考訳（メタデータ） (2022-04-14T17:59:31Z) - Spatial-Separated Curve Rendering Network for Efficient and
High-Resolution Image Harmonization [59.19214040221055]
本稿では,空間分離型曲線描画ネットワーク(S$2$CRNet)を提案する。
提案手法は従来の手法と比較して90%以上のパラメータを減少させる。
提案手法は,既存の手法よりも10ドル以上高速な高解像度画像をリアルタイムにスムーズに処理することができる。
論文 参考訳（メタデータ） (2021-09-13T07:20:16Z) - High-Resolution Photorealistic Image Translation in Real-Time: A
Laplacian Pyramid Translation Network [23.981019687483506]
閉形式ラプラシアピラミッドの分解と再構成に基づく高分解能フォトリアリスティックI2ITタスクの高速化に着目する。
この2つのタスクを同時に実行するために,ラプラシアンピラミッド翻訳ネットワーク(N)を提案する。
我々のモデルは高解像度の特徴写像を処理し、画像の詳細を忠実に保存することで消費される重い計算の大部分を回避している。
論文 参考訳（メタデータ） (2021-05-19T15:05:22Z) - UltraSR: Spatial Encoding is a Missing Key for Implicit Image
Function-based Arbitrary-Scale Super-Resolution [74.82282301089994]
本研究では,暗黙的イメージ関数に基づく,シンプルで効果的な新しいネットワーク設計であるUltraSRを提案する。
空間符号化は,次の段階の高精度暗黙的画像機能に対する欠落鍵であることを示す。
UltraSRは、すべての超解像スケールでDIV2Kベンチマークに最新のパフォーマンスを設定します。
論文 参考訳（メタデータ） (2021-03-23T17:36:42Z)
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。