論文の概要: Learning to Rasterize Differentiable
- arxiv url: http://arxiv.org/abs/2211.13333v1
- Date: Wed, 23 Nov 2022 22:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:56:01.038691
- Title: Learning to Rasterize Differentiable
- Title（参考訳）: 差別化の学習
- Authors: Chenghao Wu, Zahra Montazeri, Tobias Ritschel
- Abstract要約: 微分可能化は、プリミティブ化の一般的な定式化を別のものに変更する。
望ましい目標に最も信頼性を集中させるという点で、どの程度のソフト化が最高のパフォーマンスを提供するのか、正確には明らかになっていない。
本研究では,パラメトリックレンダリングのメタラーニングと,一組の逆タスク上のS字形について検討する。
- 参考スコア（独自算出の注目度）: 17.188689579350072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentiable rasterization changes the common formulation of primitive
rasterization -- which has zero gradients almost everywhere, due to
discontinuous edges and occlusion -- to an alternative one, which is not
subject to this limitation and has similar optima. These alternative versions
in general are ''soft'' versions of the original one. Unfortunately, it is not
clear, what exact way of softening will provide the best performance in terms
of converging the most reliability to a desired goal. Previous work has
analyzed and compared several combinations of softening. In this work, we take
it a step further and, instead of making a combinatorical choice of softening
operations, parametrize the continuous space of all softening operations. We
study meta-learning a parametric S-shape curve as well as an MLP over a set of
inverse rendering tasks, so that it generalizes to new and unseen
differentiable rendering tasks with optimal softness.
- Abstract（参考訳）: 微分可能ラスタ化は、ほぼ至る所で不連続な辺と閉塞によって勾配がゼロとなる原始ラスタ化の共通な定式化を、この制限の対象にならず、類似のオプティマを持つ別のものに変更する。
これらの代替バージョンは、元々のバージョンの'soft'バージョンである。
残念ながら、どのようなソフト化の正確な方法が、最も高い信頼性を望ましい目標にまとめるという点で、最高のパフォーマンスを提供するのかは明らかではない。
これまでの研究は、軟化のいくつかの組み合わせを分析し、比較してきた。
そこで本研究では, ソフト化操作を組合せ的に選択する代わりに, ソフト化操作の連続空間をパラメータ化する。
パラメトリックなs字曲線とmlpを逆レンダリングタスクのセットでメタラーニングすることで、最適なソフトネスで新しい識別不能なレンダリングタスクに一般化する。
関連論文リスト
- Towards Realistic Example-based Modeling via 3D Gaussian Stitching [31.710954782769377]
サンプル誘導合成を用いた点ベース表現における複数のガウス場を組み合わせた例に基づくモデリング手法を提案する。
具体的には、構成について、複数のフィールドをリアルタイムでセグメント化し変換するGUIを作成し、意味論的に意味のあるモデルの合成を容易に得る。
テクスチャブレンディングでは、3DGSの離散的および不規則な性質のため、SeamlssNeRFがサポートされないため、直接勾配伝播を適用する。
論文 参考訳（メタデータ） (2024-08-28T11:13:27Z) - Correspondence-Guided SfM-Free 3D Gaussian Splatting for NVS [52.3215552448623]
SfM(Structure-from-Motion)事前処理カメラのポーズのない新しいビュー合成(NVS)は、迅速な応答能力の向上と、可変動作条件に対する堅牢性の向上に不可欠である。
最近のSfMフリー手法は、ポーズ最適化を統合し、共同カメラのポーズ推定とNVSのためのエンドツーエンドフレームワークを設計している。
既存の作業の多くは、L2損失のようなピクセル単位の画像損失関数に依存している。
本研究では,NVSのためのSfMフリー3次元ガウススプラッティングを提案する。
論文 参考訳（メタデータ） (2024-08-16T13:11:22Z) - Euler's Elastica Based Cartoon-Smooth-Texture Image Decomposition [4.829677240798159]
グレースケール画像を3つの異なる成分に分解する新しいモデルを提案する。
構造部は強い境界と強い光-暗黒遷移のある領域、滑らかな部分、柔らかい影と影、振動、テクスチャとノイズを表す。
論文 参考訳（メタデータ） (2024-07-03T03:42:33Z) - Rasterized Edge Gradients: Handling Discontinuities Differentiably [25.85191317712521]
近似を描画する不連続点の勾配を計算するための新しい手法を提案する。
本手法は, 慎重に設計した近似戦略により, 従来の複雑な問題をエレガントに単純化する。
我々は,人間の頭部のシーン再構成において,カメラ画像とセグメンテーションマスクのハンドリングを実演する。
論文 参考訳（メタデータ） (2024-05-03T22:42:00Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - 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) - Differentiable Rendering with Perturbed Optimizers [85.66675707599782]
2Dイメージプロジェクションから3Dシーンを推論することは、コンピュータビジョンにおける中核的な問題の一つだ。
我々の研究は、よく知られた微分可能な定式化とランダムなスムーズなレンダリングの関連性を強調している。
提案手法を3次元シーン再構成に適用し,その利点を6次元ポーズ推定と3次元メッシュ再構成の課題に適用した。
論文 参考訳（メタデータ） (2021-10-18T08:56:23Z) - Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。
微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。
定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
論文 参考訳（メタデータ） (2021-04-01T09:29:05Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z)
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。