論文の概要: FROST-BRDF: A Fast and Robust Optimal Sampling Technique for BRDF Acquisition
- arxiv url: http://arxiv.org/abs/2401.07283v2
- Date: Wed, 13 Aug 2025 10:07:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.418907
- Title: FROST-BRDF: A Fast and Robust Optimal Sampling Technique for BRDF Acquisition
- Title（参考訳）: FROST-BRDF:BRDF取得のための高速かつロバストなサンプリング手法
- Authors: Ehsan Miandji, Tanaboon Tongbuasirilai, Saghi Hajisharif, Behnaz Kavoosighafi, Jonas Unger,
- Abstract要約: 我々はBRDFの取得を圧縮センシング問題として定式化する。
本稿では,FROST(Fast and Robust Optimal Smpling Technique)を提案する。
FROSTは、圧縮センシングのための最適なサブサンプリング演算子をスパース表現の定式化に設計する問題を提起する。
各ランで一貫した結果が得られ、先行技術よりも少なくとも2桁高速である。
- 参考スコア（独自算出の注目度）: 4.002298833349518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient and accurate BRDF acquisition of real world materials is a challenging research problem that requires sampling millions of incident light and viewing directions. To accelerate the acquisition process, one needs to find a minimal set of sampling directions such that the recovery of the full BRDF is accurate and robust given such samples. In this paper, we formulate BRDF acquisition as a compressed sensing problem, where the sensing operator is one that performs sub-sampling of the BRDF signal according to a set of optimal sample directions. To solve this problem, we propose the Fast and Robust Optimal Sampling Technique (FROST) for designing a provably optimal sub-sampling operator that places light-view samples such that the recovery error is minimized. FROST casts the problem of designing an optimal sub-sampling operator for compressed sensing into a sparse representation formulation under the Multiple Measurement Vector (MMV) signal model. The proposed reformulation is exact, i.e. without any approximations, hence it converts an intractable combinatorial problem into one that can be solved with standard optimization techniques. As a result, FROST is accompanied by strong theoretical guarantees from the field of compressed sensing. We perform a thorough analysis of FROST-BRDF using a 10-fold cross-validation with publicly available BRDF datasets and show significant advantages compared to the state-of-the-art with respect to reconstruction quality. Finally, FROST is simple, both conceptually and in terms of implementation, it produces consistent results at each run, and it is at least two orders of magnitude faster than the prior art.
- Abstract（参考訳）: 実世界の物質を効果的かつ正確なBRDFで取得することは、数百万の入射光と視界方向のサンプリングを必要とする難しい研究課題である。
取得過程を高速化するためには, BRDFの完全回復が正確かつ堅牢であるような, サンプリング方向の最小セットを見つける必要がある。
本稿では,BRDF の取得を圧縮センシング問題として定式化し,BRDF 信号のサブサンプリングを最適なサンプル方向に従って行う。
この問題を解決するために,光ビューのサンプルを配置し,回復誤差を最小限に抑えるための最適サブサンプリング演算子を設計するためのFROST(Fast and Robust Optimal Smpling Technique)を提案する。
FROSTは,Multiple Measurement Vector (MMV)信号モデルの下で,圧縮センシングのための最適サブサンプリング演算子をスパース表現の定式化に設計する問題を提起する。
提案された再構成は、正確には、すなわち近似がないため、難解な組合せ問題を標準的な最適化手法で解けるものに変換する。
その結果、FROSTには圧縮センシングの分野からの強い理論的保証が伴う。
BRDFデータセットを用いた10倍のクロスバリデーションを用いたFROST-BRDFの網羅的解析を行い,再建品質に対する最先端技術と比較して大きな優位性を示した。
最後に、FROSTは概念的にも実装的にも単純であり、各実行時に一貫した結果を生成する。
関連論文リスト
- DualFast: Dual-Speedup Framework for Fast Sampling of Diffusion Models [17.108496821429494]
拡散確率モデル(DPM)は視覚生成において顕著な成功を収めた。
反復サンプリングによる推論速度の低下に悩まされる。
既存の高速サンプリング器は、離散化誤差を減らすために刺激的な努力をする。
サンプリングプロセスはさらに加速できるのだろうか?
論文 参考訳（メタデータ） (2025-06-16T02:59:57Z) - Towards Optimal Multi-draft Speculative Decoding [102.67837141152232]
MDSD(Multi-Draft Speculative Decoding)は、各トークンを生成する際に、小さなドラフトモデルで複数のドラフトを生成する手法である。
本稿では、最適輸送問題の双対性について論じ、最適受容率を効率的に計算する方法を提供する。
論文 参考訳（メタデータ） (2025-02-26T03:22:44Z) - MaRS: A Fast Sampler for Mean Reverting Diffusion based on ODE and SDE Solvers [12.639167101005695]
平均回帰(MR)拡散は微分方程式(SDE)の構造を直接修飾する
現在のトレーニングフリーの高速サンプリング器はMR拡散には直接適用されない。
MR拡散のサンプリングNFEを削減するために,MARS (MR Sampler) という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-11T14:57:33Z) - BELM: Bidirectional Explicit Linear Multi-step Sampler for Exact Inversion in Diffusion Models [11.063964007950249]
本稿では,汎用的な定式化 emphBidirectional Linear Explicit Multi-step (BELM) について紹介する。
BELMの定式化は可変段-形式線形多段法から導かれる。
精度の高いインバージョン・スライダの既存の設計が準最適最小化をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-09T06:32:26Z) - Adaptive Selection of Sampling-Reconstruction in Fourier Compressed Sensing [13.775902519100075]
圧縮センシング(CS)は、ナイキストサンプリングの非効率性を克服するために出現している。
ディープラーニングベースの再構築は、最適化ベースの再構築に代わる有望な代替手段である。
論文 参考訳（メタデータ） (2024-09-18T06:51:29Z) - 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) - Improved Order Analysis and Design of Exponential Integrator for
Diffusion Models Sampling [36.50606582918392]
指数解法は最先端のパフォーマンスを示すことで有名になった。
既存の高次EIに基づくサンプリングアルゴリズムは退化EIソルバに依存している。
全ての順序条件を満たす改良されたEIソルバを提案する。
論文 参考訳（メタデータ） (2023-08-04T06:30:40Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Reparameterized Sampling for Generative Adversarial Networks [71.30132908130581]
本稿では,マルコフ連鎖をジェネレータの潜在空間に再配置することで,一般依存型提案を可能にする新しいサンプリング手法REP-GANを提案する。
実験的な実験により、我々のREP-GANはサンプル効率を大幅に改善し、同時により良いサンプル品質を得ることを示した。
論文 参考訳（メタデータ） (2021-07-01T10:34:55Z) - Towards Sample-Optimal Compressive Phase Retrieval with Sparse and
Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。
この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文 参考訳（メタデータ） (2021-06-29T12:49:54Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳（メタデータ） (2021-02-11T12:00:24Z) - Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。
本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。
提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
論文 参考訳（メタデータ） (2020-11-02T13:19:10Z)
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。