論文の概要: Automatic Illumination Spectrum Recovery
- arxiv url: http://arxiv.org/abs/2305.19538v1
- Date: Wed, 31 May 2023 03:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 18:38:30.110889
- Title: Automatic Illumination Spectrum Recovery
- Title（参考訳）: 発光スペクトルの自動回復
- Authors: Nariman Habili, Jeremy Oorloff, Lars Petersson
- Abstract要約: 我々は,様々な照明条件下でのハイパースペクトル画像の照度スペクトルを推定する深層学習ネットワークを開発した。
実験により、トレーニングされたモデルは、照明スペクトルの正確な推定を推測できることが示されている。
- 参考スコア（独自算出の注目度）: 16.424015726846182
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We develop a deep learning network to estimate the illumination spectrum of
hyperspectral images under various lighting conditions. To this end, a dataset,
IllumNet, was created. Images were captured using a Specim IQ camera under
various illumination conditions, both indoor and outdoor. Outdoor images were
captured in sunny, overcast, and shady conditions and at different times of the
day. For indoor images, halogen and LED light sources were used, as well as
mixed light sources, mainly halogen or LED and fluorescent. The ResNet18
network was employed in this study, but with the 2D kernel changed to a 3D
kernel to suit the spectral nature of the data. As well as fitting the actual
illumination spectrum well, the predicted illumination spectrum should also be
smooth, and this is achieved by the cubic smoothing spline error cost function.
Experimental results indicate that the trained model can infer an accurate
estimate of the illumination spectrum.
- Abstract（参考訳）: 様々な照明条件下でハイパースペクトル画像の照度スペクトルを推定する深層学習ネットワークを開発した。
この目的のためにデータセットであるIllumNetが作成された。
撮影は屋内と屋外の両方の様々な照明条件下で、specim iqカメラを用いて行われた。
屋外の映像は、日当たり、曇り、日陰、そして一日の異なる時間に撮影された。
室内画像にはハロゲンとLEDの光源、主にハロゲン、LED、蛍光といった混合光源が用いられた。
resnet18ネットワークはこの研究で採用されたが、2dカーネルはデータのスペクトル特性に合わせて3dカーネルに変更された。
実際の照明スペクトルをうまく適合させるのと同様に、予測照明スペクトルも滑らかであり、これは3次スムースなスプライン誤差コスト関数によって達成される。
実験結果は、トレーニングされたモデルが照明スペクトルの正確な推定を推測できることを示している。
関連論文リスト
- A Diffusion Approach to Radiance Field Relighting using Multi-Illumination Synthesis [6.883971329818549]
単一照度データを用いた照度場作成手法を提案する。
光方向条件付き多照度データセット上で,まず2次元拡散モデルを微調整する。
単一照明下での合成および実マルチビューデータについて結果を示す。
論文 参考訳（メタデータ） (2024-09-13T16:07:25Z) - DiLightNet: Fine-grained Lighting Control for Diffusion-based Image Generation [16.080481761005203]
テキスト駆動画像生成における微細な照明制御を実現するための新しい手法を提案する。
私たちのキーとなる観察は、拡散過程を導くだけではならず、そのため正確な放射率のヒントは必要ないということです。
我々は、様々なテキストプロンプトと照明条件に基づいて、照明制御拡散モデルを実証し、検証する。
論文 参考訳（メタデータ） (2024-02-19T08:17:21Z) - Spatiotemporally Consistent HDR Indoor Lighting Estimation [66.26786775252592]
本研究では,屋内照明推定問題を解決するための物理動機付きディープラーニングフレームワークを提案する。
深度マップを用いた1枚のLDR画像から,任意の画像位置における空間的に一貫した照明を予測できる。
我々のフレームワークは、最先端の単一画像やビデオベースの手法と比較して、高画質で光リアリスティック照明予測を実現する。
論文 参考訳（メタデータ） (2023-05-07T20:36:29Z) - Physically-Based Editing of Indoor Scene Lighting from a Single Image [106.60252793395104]
本研究では,1つの画像から複雑な室内照明を推定深度と光源セグメンテーションマスクで編集する手法を提案する。
1)シーン反射率とパラメトリックな3D照明を推定する全体的シーン再構成法,2)予測からシーンを再レンダリングするニューラルレンダリングフレームワーク,である。
論文 参考訳（メタデータ） (2022-05-19T06:44:37Z) - Deep Graph Learning for Spatially-Varying Indoor Lighting Prediction [25.726519831985918]
室内照明推定のためのグラフ学習フレームワークを提案する。
中心となるのは、深度を増した球状ガウスをベースとした新しい照明モデル(DSGLightと呼ばれる)である。
本手法は, 定性的にも定量的にも, 既存の手法より優れている。
論文 参考訳（メタデータ） (2022-02-13T12:49:37Z) - Neural Radiance Fields for Outdoor Scene Relighting [70.97747511934705]
ニューラルラジアンス場に基づく屋外シーンライティングのための最初のアプローチであるNeRF-OSRを提案する。
従来の技術とは対照的に,本手法はシーン照明とカメラ視点の同時編集を可能にする。
シャドウ再現のための専用ネットワークも備えており、高品質の屋外照明に欠かせない。
論文 参考訳（メタデータ） (2021-12-09T18:59:56Z) - Learning Indoor Inverse Rendering with 3D Spatially-Varying Lighting [149.1673041605155]
1枚の画像からアルベド, 正常, 深さ, 3次元の空間的変化を共同で推定する問題に対処する。
既存のほとんどの方法は、シーンの3D特性を無視して、画像から画像への変換としてタスクを定式化する。
本研究では3次元空間変動照明を定式化する統合学習ベースの逆フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-13T15:29:03Z) - Spectral MVIR: Joint Reconstruction of 3D Shape and Spectral Reflectance [15.600451871592107]
画像形成における幾何学的原理とフォトメトリック原理の両方を考慮したレンダリングモデルを提案する。
直交スペクトル反射率と3次元形状の連成再構成のためのコスト最適化MVIRフレームワークを構築した。
論文 参考訳（メタデータ） (2021-04-15T08:36:23Z) - GMLight: Lighting Estimation via Geometric Distribution Approximation [86.95367898017358]
本稿では,効率的な照明推定のための回帰ネットワークと生成プロジェクタを用いた照明推定フレームワークを提案する。
幾何学的な光の分布、光強度、周囲条件、および補助深さの点から照明シーンをパラメータ化し、純粋な回帰タスクとして推定します。
推定照明パラメータを用いて、生成プロジェクタはパノラマ照明マップを現実的な外観と周波数で合成する。
論文 参考訳（メタデータ） (2021-02-20T03:31:52Z) - EMLight: Lighting Estimation via Spherical Distribution Approximation [33.26530733479459]
本稿では,回帰ネットワークとニューラルプロジェクタを用いて正確な照明推定を行う照明推定フレームワークを提案する。
照明マップを球状光分布、光強度、周囲期間に分解します。
予測された球面分布、光強度、周囲項の誘導の下で、神経プロジェクターは現実的な光周波数でパノラマ照明マップを合成する。
論文 参考訳（メタデータ） (2020-12-21T04:54:08Z) - Light Stage Super-Resolution: Continuous High-Frequency Relighting [58.09243542908402]
光ステージから採取した人間の顔の「超解像」を学習ベースで解析する手法を提案する。
本手法では,ステージ内の隣接する照明に対応する撮像画像を集約し,ニューラルネットワークを用いて顔の描画を合成する。
我々の学習モデルは、リアルな影と特異なハイライトを示す任意の光方向のレンダリングを生成することができる。
論文 参考訳（メタデータ） (2020-10-17T23:40:43Z)
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。