論文の概要: A real-time rendering method for high albedo anisotropic materials with
multiple scattering
- arxiv url: http://arxiv.org/abs/2401.14051v1
- Date: Thu, 25 Jan 2024 10:08:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 15:10:02.309415
- Title: A real-time rendering method for high albedo anisotropic materials with
multiple scattering
- Title(参考訳): 多重散乱による高アルベド異方性材料のリアルタイムレンダリング法
- Authors: Shun Fang, Xing Feng, Ming Cui
- Abstract要約: 本稿では、ニューラルネットワークを用いて放射移動方程式を解く反復積分過程をシミュレートする。
この方法は、リアルなボリュームメディアレンダリング効果を実現し、レンダリング速度を大幅に向上させることができる。
- 参考スコア(独自算出の注目度): 0.4297070083645048
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a neural network-based real-time volume rendering method for
realistic and efficient rendering of volumetric media. The traditional volume
rendering method uses path tracing to solve the radiation transfer equation,
which requires a huge amount of calculation and cannot achieve real-time
rendering. Therefore, this paper uses neural networks to simulate the iterative
integration process of solving the radiative transfer equation to speed up the
volume rendering of volume media. Specifically, the paper first performs data
processing on the volume medium to generate a variety of sampling features,
including density features, transmittance features and phase features. The
hierarchical transmittance fields are fed into a 3D-CNN network to compute more
important transmittance features. Secondly, the diffuse reflection sampling
template and the highlight sampling template are used to layer the three types
of sampling features into the network. This method can pay more attention to
light scattering, highlights and shadows, and then select important channel
features through the attention module. Finally, the scattering distribution of
the center points of all sampling templates is predicted through the backbone
neural network. This method can achieve realistic volumetric media rendering
effects and greatly increase the rendering speed while maintaining rendering
quality, which is of great significance for real-time rendering applications.
Experimental results indicate that our method outperforms previous methods.
- Abstract(参考訳): 本稿では,実写かつ効率的なボリュームメディアレンダリングのためのニューラルネットワークに基づくリアルタイムボリュームレンダリング手法を提案する。
従来のボリュームレンダリング法では、パストレースを用いて放射線伝達方程式を解くが、これは膨大な量の計算が必要であり、リアルタイムレンダリングを達成できない。
そこで本稿では,ニューラルネットワークを用いて放射伝達方程式を解く反復積分過程をシミュレートし,ボリュームメディアのボリュームレンダリングを高速化する。
具体的には、まずボリューム媒体上でデータ処理を行い、密度特性、透過特性、位相特徴など様々なサンプリング特徴を生成する。
階層的な送信フィールドは3D-CNNネットワークに入力され、より重要な送信特性を計算する。
次に、拡散反射サンプリングテンプレートとハイライトサンプリングテンプレートを使用して、3種類のサンプリング機能をネットワークに階層化する。
この方法は、光散乱、ハイライト、シャドウにもっと注意を払うことができ、アテンションモジュールを通じて重要なチャンネル機能を選択することができる。
最後に、すべてのサンプリングテンプレートの中心点の散乱分布を、バックボーンニューラルネットワークを介して予測する。
本手法は,リアルなボリュームメディアレンダリング効果を実現し,レンダリング品質を維持しながらレンダリング速度を大幅に向上させることができる。
実験の結果,本手法は従来の手法よりも優れていた。
関連論文リスト
- Fast LiDAR Upsampling using Conditional Diffusion Models [1.3709133749179265]
既存の手法は拡散モデルを用いて高忠実度で洗練されたLiDARデータを生成する可能性を示している。
高速かつ高品質な3次元シーンポイント雲のスパース・ツー・デンスアップサンプリングのための条件拡散モデルに基づく新しいアプローチを提案する。
本手法では,条件付き塗装マスクを用いて訓練した拡散確率モデルを用いて,画像補完タスクの性能向上を図っている。
論文 参考訳(メタデータ) (2024-05-08T08:38:28Z) - CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
スパース入力によるNeRFの性能向上のための新しい手法を提案する。
まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。
次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
論文 参考訳(メタデータ) (2024-03-25T15:56:17Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳(メタデータ) (2023-12-02T02:27:58Z) - Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。
我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。
また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
論文 参考訳(メタデータ) (2023-11-16T18:58:55Z) - 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) - Multi-View Mesh Reconstruction with Neural Deferred Shading [0.8514420632209809]
最先端の手法では、ニューラルサーフェス表現とニューラルシェーディングの両方を用いる。
曲面を三角形メッシュとして表現し、三角形の描画とニューラルシェーディングを中心に、微分可能なレンダリングパイプラインを構築します。
パブリックな3次元再構成データセットを用いてランタイムの評価を行い、最適化において従来のベースラインの復元精度を上回りながら、従来のベースラインの再構築精度に適合できることを示す。
論文 参考訳(メタデータ) (2022-12-08T16:29:46Z) - DDNeRF: Depth Distribution Neural Radiance Fields [12.283891012446647]
DDNeRF(Deep Distribution Neural Radiance Field)は、トレーニング中の放射線のサンプリング効率を大幅に向上させる新しい手法である。
粗いモデルを用いて、入力体積の透過性の内部分布を予測し、体積の総密度を推定する。
このより詳細な分布は、ファインモデルのサンプリング手順を導出する。
論文 参考訳(メタデータ) (2022-03-30T19:21:07Z) - Extracting Triangular 3D Models, Materials, and Lighting From Images [59.33666140713829]
多視点画像観測による材料と照明の協調最適化手法を提案する。
従来のグラフィックスエンジンにデプロイ可能な,空間的に変化する材料と環境を備えたメッシュを活用します。
論文 参考訳(メタデータ) (2021-11-24T13:58:20Z) - Volume Rendering of Neural Implicit Surfaces [57.802056954935495]
本稿では,ニューラルボリュームレンダリングにおける幾何学的表現と再構成を改善することを目的とする。
体積密度を幾何学の関数としてモデル化することで実現する。
この新たな密度表現を挑戦的なシーンマルチビューデータセットに適用することで、高品質な幾何学的再構成を実現した。
論文 参考訳(メタデータ) (2021-06-22T20:23:16Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳(メタデータ) (2020-01-14T03:34:55Z)
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。