論文の概要: A Survey on Intrinsic Images: Delving Deep Into Lambert and Beyond
- arxiv url: http://arxiv.org/abs/2112.03842v1
- Date: Tue, 7 Dec 2021 17:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 14:42:04.666091
- Title: A Survey on Intrinsic Images: Delving Deep Into Lambert and Beyond
- Title（参考訳）: 内在的イメージに関する調査:ランバートとその先を掘り下げて
- Authors: Elena Garces, Carlos Rodriguez-Pardo, Dan Casas, Jorge Lopez-Moreno
- Abstract要約: 内在画像や内在画像の分解は、伝統的にイメージを2つの層に分解する問題として説明されてきた。
近年,これらの分離の精度を高めるため,ディープラーニング技術が広く応用されている。
画像形成プロセスにおいて,より高度な物理原理を持つコンポーネントの可能性に対する意識が高まっていることを示す。
- 参考スコア（独自算出の注目度）: 8.313161485540338
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Intrinsic imaging or intrinsic image decomposition has traditionally been
described as the problem of decomposing an image into two layers: a
reflectance, the albedo invariant color of the material; and a shading,
produced by the interaction between light and geometry. Deep learning
techniques have been broadly applied in recent years to increase the accuracy
of those separations. In this survey, we overview those results in context of
well-known intrinsic image data sets and relevant metrics used in the
literature, discussing their suitability to predict a desirable intrinsic image
decomposition. Although the Lambertian assumption is still a foundational basis
for many methods, we show that there is increasing awareness on the potential
of more sophisticated physically-principled components of the image formation
process, that is, optically accurate material models and geometry, and more
complete inverse light transport estimations. We classify these methods in
terms of the type of decomposition, considering the priors and models used, as
well as the learning architecture and methodology driving the decomposition
process. We also provide insights about future directions for research, given
the recent advances in neural, inverse and differentiable rendering techniques.
- Abstract（参考訳）: 内在画像や内在画像の分解は、伝統的に、イメージを反射率、材料のアルベド不変色、光と幾何学の相互作用によって生じる陰影という2つの層に分解する問題として説明されてきた。
近年,これらの分離の精度を高めるため,ディープラーニング技術が広く応用されている。
本稿では,これらの結果について,文献でよく知られた固有画像データセットと関連する指標の文脈で概説し,望まれる固有画像分解を予測するための適合性について論じる。
ランバーティアン仮定は現在でも多くの手法の基礎となっているが、画像形成過程、すなわち光学的精度の高い物質モデルと幾何学、およびより完全な逆光輸送推定におけるより高度な物理成分の可能性に対する認識が高まっている。
我々は,これらの手法を分解過程を駆動する学習アーキテクチャや方法論と同様に,使用される前処理とモデルを考慮した分解のタイプの観点から分類する。
ニューラル、逆、微分可能なレンダリング技術の最近の進歩を考えると、研究の今後の方向性についての洞察も提供する。
関連論文リスト
- IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。
従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。
IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
論文 参考訳（メタデータ） (2024-12-16T18:52:56Z) - IntrinsicAnything: Learning Diffusion Priors for Inverse Rendering Under Unknown Illumination [37.96484120807323]
本稿では,未知の静止照明条件下で撮影されたポーズ画像から対象物質を回収することを目的とする。
我々は、最適化プロセスの正規化のための生成モデルを用いて、その材料を事前に学習する。
実世界および合成データセットを用いた実験により,本手法が材料回収における最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-04-17T17:45:08Z) - Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。
1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。
提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
論文 参考訳（メタデータ） (2023-12-19T15:56:19Z) - Diffusion Posterior Illumination for Ambiguity-aware Inverse Rendering [63.24476194987721]
画像からシーン特性を推定する逆レンダリングは、困難な逆問題である。
既存のソリューションの多くは、プリエントを逆レンダリングパイプラインに組み込んで、プラウシブルなソリューションを奨励している。
本稿では,自然照明マップ上で事前学習した確率拡散モデルを最適化フレームワークに統合する手法を提案する。
論文 参考訳（メタデータ） (2023-09-30T12:39:28Z) - TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose
Estimation [55.94900327396771]
合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。
実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。
画素完全合成データからポーズ推定を学習する。
論文 参考訳（メタデータ） (2022-12-25T13:36:32Z) - Deep Learning Methods for Calibrated Photometric Stereo and Beyond [86.57469194387264]
光度ステレオは、さまざまなシェーディングキューを持つ複数の画像から物体の表面の正常性を回復する。
深層学習法は、非ランベルト面に対する測光ステレオの文脈において強力な能力を示している。
論文 参考訳（メタデータ） (2022-12-16T11:27:44Z) - An Optical physics inspired CNN approach for intrinsic image
decomposition [0.0]
内在画像分解は、画像の構成成分を生成する開放的な問題である。
画像から導出した物理パラメータを用いてこの分解が可能なニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-05-21T00:54:01Z) - Prior Image-Constrained Reconstruction using Style-Based Generative
Models [15.757204774959366]
本稿では,既知の先行画像と意味的に関連のある関心対象を推定するためのフレームワークを提案する。
スタイルベース生成モデルの非交叉潜在空間に最適化問題を定式化する。
意味的に有意な制約は、前の画像の非絡み合った潜在表現を用いて課される。
論文 参考訳（メタデータ） (2021-02-24T19:36:55Z) - Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
グループベース画像復元法は,パッチ間の類似性収集に有効である。
各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。
提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
論文 参考訳（メタデータ） (2020-08-09T15:12:16Z) - Learning Spatial Relationships between Samples of Patent Image Shapes [14.37369942979269]
深層学習(DL)の成功を橋渡しするバイナリ画像に適した手法を提案する。
本手法は、二元画像から興味の形状を抽出し、非ユークリッド幾何学的ニューラルネットワークアーキテクチャを適用して、形状の局所的および大域的空間的関係を学習する。
論文 参考訳（メタデータ） (2020-04-12T23:05:19Z)
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。