論文の概要: High-Quality Supersampling via Mask-reinforced Deep Learning for
Real-time Rendering
- arxiv url: http://arxiv.org/abs/2301.01036v1
- Date: Tue, 3 Jan 2023 10:43:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 15:06:54.931057
- Title: High-Quality Supersampling via Mask-reinforced Deep Learning for
Real-time Rendering
- Title(参考訳): マスク強化深層学習によるリアルタイムレンダリングのための高品質スーパーサンプリング
- Authors: Hongliang Yuan, Boyu Zhang, Mingyan Zhu, Ligang Liu, Jue Wang
- Abstract要約: リアルタイムアプリケーションのために高品質なレンダリング画像を生成するために、低解像度で少数のサンプル1ピクセル(spp)しか追跡しないことが多い。
高分解能で1/4sppの試料をレイトレーシングしたニューラルスーパーサンプリング法を提案する。
- 参考スコア(独自算出の注目度): 20.431360489828975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To generate high quality rendering images for real time applications, it is
often to trace only a few samples-per-pixel (spp) at a lower resolution and
then supersample to the high resolution. Based on the observation that the
rendered pixels at a low resolution are typically highly aliased, we present a
novel method for neural supersampling based on ray tracing 1/4-spp samples at
the high resolution. Our key insight is that the ray-traced samples at the
target resolution are accurate and reliable, which makes the supersampling an
interpolation problem. We present a mask-reinforced neural network to
reconstruct and interpolate high-quality image sequences. First, a novel
temporal accumulation network is introduced to compute the correlation between
current and previous features to significantly improve their temporal
stability. Then a reconstruct network based on a multi-scale U-Net with skip
connections is adopted for reconstruction and generation of the desired
high-resolution image. Experimental results and comparisons have shown that our
proposed method can generate higher quality results of supersampling, without
increasing the total number of ray-tracing samples, over current
state-of-the-art methods.
- Abstract(参考訳): リアルタイムアプリケーションのために高品質なレンダリング画像を生成するために、低解像度でサンプル1ピクセル(spp)を数個だけ追跡し、高解像度にスーパーサンプリングすることが多い。
低解像度でレンダリングされたピクセルは一般的に高いエイリアス化されていることから,高解像度で1/4sppの光トレーシングに基づくニューラルスーパーサンプリング法を提案する。
我々の重要な洞察は、ターゲットの解像度で光を照射したサンプルは正確で信頼性が高く、補間問題を補間する。
本稿では,高品質な画像系列の再構成と補間を行うマスク強化ニューラルネットワークを提案する。
まず,新しい時間的蓄積ネットワークを導入し,その時間的安定性を著しく向上させるために,現在と過去の特徴の相関を計算する。
そして、所望の高解像度画像の再構成と生成のために、スキップ接続付きマルチスケールU-Netに基づく再構成ネットワークを採用する。
実験結果と比較結果から,提案手法は,現在の最先端手法に比べて,レイトレーシング試料の総数を増やすことなく,より高品質なスーパーサンプリング結果が得られることが示された。
関連論文リスト
- Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。
提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
論文 参考訳(メタデータ) (2024-04-16T16:08:59Z) - Accelerating Diffusion Sampling with Optimized Time Steps [69.21208434350567]
拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。
彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。
DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
論文 参考訳(メタデータ) (2024-02-27T10:13:30Z) - 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) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - CDPMSR: Conditional Diffusion Probabilistic Models for Single Image
Super-Resolution [91.56337748920662]
拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。
単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。
本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
論文 参考訳(メタデータ) (2023-02-14T15:13:33Z) - Toward Real-World Super-Resolution via Adaptive Downsampling Models [58.38683820192415]
本研究では,制約のある事前知識を伴わずに未知のサンプル処理をシミュレートする手法を提案する。
対の例を使わずに対象LR画像の分布を模倣する汎用化可能な低周波損失(LFL)を提案する。
論文 参考訳(メタデータ) (2021-09-08T06:00:32Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳(メタデータ) (2021-03-01T19:19:38Z) - 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。