論文の概要: A Hierarchical Architecture for Neural Materials
- arxiv url: http://arxiv.org/abs/2307.10135v2
- Date: Fri, 1 Dec 2023 19:49:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 22:41:56.975035
- Title: A Hierarchical Architecture for Neural Materials
- Title(参考訳): 神経材料のための階層構造
- Authors: Bowen Xue, Shuang Zhao, Henrik Wann Jensen, Zahra Montazeri
- Abstract要約: 我々は新しいレベルの精度を提供するニューラルな外観モデルを導入する。
インセプションベースのコアネットワーク構造は、複数のスケールで素材の外観をキャプチャする。
入力を周波数空間にエンコードし、勾配に基づく損失を導入し、学習フェーズの進行に適応させる。
- 参考スコア(独自算出の注目度): 14.359028541596702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural reflectance models are capable of reproducing the spatially-varying
appearance of many real-world materials at different scales. Unfortunately,
existing techniques such as NeuMIP have difficulties handling materials with
strong shadowing effects or detailed specular highlights. In this paper, we
introduce a neural appearance model that offers a new level of accuracy.
Central to our model is an inception-based core network structure that captures
material appearances at multiple scales using parallel-operating kernels and
ensures multi-stage features through specialized convolution layers.
Furthermore, we encode the inputs into frequency space, introduce a
gradient-based loss, and employ it adaptive to the progress of the learning
phase. We demonstrate the effectiveness of our method using a variety of
synthetic and real examples.
- Abstract(参考訳): ニューラルリフレクタンスモデルは、多くの現実世界の物質を異なるスケールで空間的に変化する外観を再現することができる。
残念ながら、NeuMIPのような既存の技術は、強いシャドーイング効果や詳細なスペックハイライトを持つ材料を扱うのに苦労している。
本稿では,新しいレベルの精度を提供するニューラルな外観モデルを提案する。
私たちのモデルの中心はインセプションベースのコアネットワーク構造で、並列動作するカーネルを使って複数のスケールで素材の外観をキャプチャし、特殊な畳み込み層を通じてマルチステージの機能を保証する。
さらに、入力を周波数空間に符号化し、勾配に基づく損失を導入し、学習相の進行に適応させる。
本手法の有効性を, 様々な合成例と実例を用いて示す。
関連論文リスト
- DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。
本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。
実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
論文 参考訳(メタデータ) (2023-11-30T21:34:44Z) - NePF: Neural Photon Field for Single-Stage Inverse Rendering [6.977356702921476]
多視点画像の逆レンダリングに対処するために,新しい単一ステージフレームワークNePF(Neural Photon Field)を提案する。
NePFは、神経暗黙表面の重み関数の背後にある物理的意味を完全に活用することで、この統一を実現する。
我々は本手法を実データと合成データの両方で評価する。
論文 参考訳(メタデータ) (2023-11-20T06:15:46Z) - NeuS-PIR: Learning Relightable Neural Surface using Pre-Integrated
Rendering [9.205005016314624]
NeuS-PIRは、放射場を空間的に変化する物質場と微分可能な環境立方体マップに分解し、ニューラルサーフェスで表される幾何学と共同で学習する手法である。
提案手法は, 合成データと実データの両方において, 最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-13T09:02:57Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳(メタデータ) (2022-09-23T00:33:04Z) - Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。
このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
論文 参考訳(メタデータ) (2021-10-26T03:28:36Z) - Scalable Surface Reconstruction with Delaunay-Graph Neural Networks [14.128976778330474]
本稿では,大規模で欠陥のある点群に対して,新しい学習ベースで可視性に配慮した表面再構成手法を提案する。
実際のMVS(Multi-View Stereo)買収で発生する点雲欠陥のスケールと多様性に対処できる。
論文 参考訳(メタデータ) (2021-07-13T14:30:32Z) - NeuMIP: Multi-Resolution Neural Materials [98.83749495351627]
NeuMIPは、さまざまなスケールでさまざまな材料外観を表現およびレンダリングするためのニューラルメソッドです。
従来のミップマップピラミッドを、完全に接続されたネットワークと組み合わせて、神経テクスチャのピラミッドに一般化する。
テッセルレーションを伴わずに複雑なパララックス効果を持つ材料をレンダリングできる新しい手法であるニューラルオフセットも導入する。
論文 参考訳(メタデータ) (2021-04-06T21:22:22Z) - A Compact Deep Architecture for Real-time Saliency Prediction [42.58396452892243]
唾液度モデルは、人間の視覚系における注意機構を模倣することを目的としている。
ディープモデルは多数のパラメータを持ち、リアルタイムアプリケーションには適さない。
本稿では,実時間精度予測のためのコンパクトかつ高速なモデルを提案する。
論文 参考訳(メタデータ) (2020-08-30T17:47:16Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z) - Spectrally Consistent UNet for High Fidelity Image Transformations [5.494315657902533]
畳み込みニューラルネットワーク(CNN)は、多くのイメージングタスクで使われている現在のデファクトモデルである。
本研究では、UNetsの構造バイアスとそれらが出力に与える影響を評価する方法を提案する。
スペクトル的に一貫した出力を提供する Guided Image Filter の新たな使用法に基づき,新しいアップサンプリングモジュールを提案する。
論文 参考訳(メタデータ) (2020-04-22T17:04:02Z)
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。