論文の概要: TraM-NeRF: Tracing Mirror and Near-Perfect Specular Reflections through
Neural Radiance Fields
- arxiv url: http://arxiv.org/abs/2310.10650v1
- Date: Mon, 16 Oct 2023 17:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 12:20:27.135558
- Title: TraM-NeRF: Tracing Mirror and Near-Perfect Specular Reflections through
Neural Radiance Fields
- Title(参考訳): トラムナーフ:ニューラルネットワークによるトレーディングミラーとほぼ完全な鏡面反射
- Authors: Leif Van Holland, Ruben Bliersbach, Jan U. M\"uller, Patrick Stotko,
Reinhard Klein
- Abstract要約: NeRF(Neural Radiance Fields)のような暗黙の表現は、複雑なシーンを細かな詳細でレンダリングするための印象的な結果を示した。
本研究では,NeRF内部のボリュームレンダリングに適した新しいリフレクショントレーシング手法を提案する。
少数の試料から,光線による重要サンプリングと透過率計算の効率的な手法を導出した。
- 参考スコア(独自算出の注目度): 3.061835990893184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit representations like Neural Radiance Fields (NeRF) showed impressive
results for photorealistic rendering of complex scenes with fine details.
However, ideal or near-perfectly specular reflecting objects such as mirrors,
which are often encountered in various indoor scenes, impose ambiguities and
inconsistencies in the representation of the reconstructed scene leading to
severe artifacts in the synthesized renderings. In this paper, we present a
novel reflection tracing method tailored for the involved volume rendering
within NeRF that takes these mirror-like objects into account while avoiding
the cost of straightforward but expensive extensions through standard path
tracing. By explicitly modeling the reflection behavior using physically
plausible materials and estimating the reflected radiance with Monte-Carlo
methods within the volume rendering formulation, we derive efficient strategies
for importance sampling and the transmittance computation along rays from only
few samples. We show that our novel method enables the training of consistent
representations of such challenging scenes and achieves superior results in
comparison to previous state-of-the-art approaches.
- Abstract(参考訳): NeRF(Neural Radiance Fields)のような暗黙的な表現は、複雑なシーンを細かな詳細で写実的にレンダリングするための印象的な結果を示した。
しかし、様々な屋内シーンでしばしば見られる鏡などの理想的あるいはほぼ完全な反射物は、合成されたレンダリングにおいて深刻なアーティファクトに繋がる再建されたシーンの表現に曖昧さと不一致を課している。
本稿では,これらミラーライクな対象を考慮しつつ,標準パストレースによる単純だが高価な拡張コストを回避しつつ,nrf内のボリュームレンダリングに合わせた新しい反射追跡手法を提案する。
物理可塑性材料を用いて反射挙動を明示的にモデル化し,モンテカルロ法を用いて反射放射率を推算することにより,重要サンプリングと透過率計算の効率的な手法を導出した。
提案手法は,従来の最先端手法と比較して,一貫したシーン表現の訓練を可能にし,優れた結果が得られることを示す。
関連論文リスト
- Diffusion Reflectance Map: Single-Image Stochastic Inverse Rendering of
Illumination and Reflectance [22.691593216516868]
本稿では,1つの画像から物体反射率とともに照明のフル周波数スペクトルを復元する第1逆レンダリング法を提案する。
ネットワークは広範な合成データセットに基づいて訓練され、実際の画像に一般化することが実証されている。
論文 参考訳(メタデータ) (2023-12-07T18:50:00Z) - Mirror-NeRF: Learning Neural Radiance Fields for Mirrors with
Whitted-Style Ray Tracing [33.852910220413655]
鏡の正確な形状と反射を学習できる新しいニューラルネットワーク・レンダリング・フレームワークであるMirror-NeRFを提案する。
Mirror-NeRFは、新しいオブジェクトやミラーをシーンに追加したり、鏡に新しいオブジェクトの反射を合成したり、様々なシーン操作アプリケーションをサポートする。
論文 参考訳(メタデータ) (2023-08-07T03:48:07Z) - TensoIR: Tensorial Inverse Rendering [53.51211939277516]
テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。
TensoRFは、放射場モデリングのための最先端のアプローチである。
論文 参考訳(メタデータ) (2023-04-24T21:39:13Z) - Neural Microfacet Fields for Inverse Rendering [54.15870869037466]
本研究では,シーンの画像から材料,幾何学,環境照明を復元する手法を提案する。
本手法では, 各試料を(潜在的に不透明な)表面として扱うことにより, ボリューム設定内にマイクロファセット反射率モデルを用いる。
論文 参考訳(メタデータ) (2023-03-31T05:38:13Z) - NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field
Indirect Illumination [48.42173911185454]
逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。
本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
論文 参考訳(メタデータ) (2023-03-29T12:05:19Z) - IntrinsicNeRF: Learning Intrinsic Neural Radiance Fields for Editable
Novel View Synthesis [90.03590032170169]
内在性ニューラルレンダリング法に内在性分解を導入した内在性ニューラルレイディアンス場(IntrinsicNeRF)を提案する。
そこで,本研究では,オブジェクト固有・ルームスケールシーンと合成・実単語データの両方を用いて,一貫した本質的な分解結果が得られることを示す。
論文 参考訳(メタデータ) (2022-10-02T22:45:11Z) - NeRFReN: Neural Radiance Fields with Reflections [16.28256369376256]
我々は、NeRF上に構築されたNeRFReNを導入し、リフレクションのあるシーンをモデル化する。
本稿では,シーンを伝送・反射するコンポーネントに分割し,2つのコンポーネントを別個の神経放射場でモデル化することを提案する。
様々な自撮りシーンの実験により,本手法は高品質な新規ビュー合成と物理音響深度推定を達成できることが示されている。
論文 参考訳(メタデータ) (2021-11-30T09:36:00Z) - DIB-R++: Learning to Predict Lighting and Material with a Hybrid
Differentiable Renderer [78.91753256634453]
そこで本研究では,単体画像から固有物体特性を推定する難題について,微分可能量を用いて検討する。
そこで本研究では、スペクトル化とレイトレーシングを組み合わせることで、これらの効果をサポートするハイブリッド微分可能なDIBR++を提案する。
より高度な物理ベースの微分可能値と比較すると、DIBR++はコンパクトで表現力のあるモデルであるため、高い性能を持つ。
論文 参考訳(メタデータ) (2021-10-30T01:59:39Z) - Learning Neural Transmittance for Efficient Rendering of Reflectance
Fields [43.24427791156121]
本稿では,ニューラルリフレクタンスフィールドのレンダリングを高速化する事前計算型ニューラルトランスミッション関数に基づく新しい手法を提案する。
実シーンと合成シーンの結果は、最小の精度で環境マップ下でのレンダリングにおいて、ほぼ2桁のスピードアップを示す。
論文 参考訳(メタデータ) (2021-10-25T21:12:25Z) - Neural Reflectance Fields for Appearance Acquisition [61.542001266380375]
シーン内の任意の3次元点における体積密度, 正規および反射特性をエンコードする新しい深部シーン表現であるニューラルリフレクタンス場を提案する。
我々はこの表現を、任意の視点と光の下でニューラルリフレクタンスフィールドから画像を描画できる物理的にベースとした微分可能光線マーチングフレームワークと組み合わせる。
論文 参考訳(メタデータ) (2020-08-09T22:04:36Z)
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。