論文の概要: GenPluSSS: A Genetic Algorithm Based Plugin for Measured Subsurface
Scattering Representation
- arxiv url: http://arxiv.org/abs/2401.15245v1
- Date: Fri, 26 Jan 2024 23:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:11:10.139874
- Title: GenPluSSS: A Genetic Algorithm Based Plugin for Measured Subsurface
Scattering Representation
- Title(参考訳): genplusss: 表面下散乱を計測する遺伝的アルゴリズムに基づくプラグイン
- Authors: Bar{\i}\c{s} Y{\i}ld{\i}r{\i}m, Murat Kurt
- Abstract要約: 提案されたプラグインはオープンソースソフトウェアである Mitsuba を使って実装されている。
提案プラグインは, 高精度, コンパクト, 計算的に, 均一および均一な地下散乱効果を可視化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a plugin that adds a representation of homogeneous and
heterogeneous, optically thick, translucent materials on the Blender 3D
modeling tool. The working principle of this plugin is based on a combination
of Genetic Algorithm (GA) and Singular Value Decomposition (SVD)-based
subsurface scattering method (GenSSS). The proposed plugin has been implemented
using Mitsuba renderer, which is an open source rendering software. The
proposed plugin has been validated on measured subsurface scattering data. It's
shown that the proposed plugin visualizes homogeneous and heterogeneous
subsurface scattering effects, accurately, compactly and computationally
efficiently.
- Abstract(参考訳): 本稿では,Blender 3Dモデリングツール上に均一で均一な,光学的に厚みのある半透明な材料を表現するプラグインを提案する。
本プラグインの動作原理は遺伝的アルゴリズム(GA)と特異値分解(SVD)に基づく地下散乱法(GenSSS)の組み合わせに基づいている。
提案されているプラグインはオープンソースレンダリングソフトウェアである Mitsubaenderer を使って実装されている。
提案法は, 地下散乱データを用いて検証した。
提案プラグインは, 高精度, コンパクト, 計算的に, 均一および均一な地下散乱効果を可視化する。
関連論文リスト
- Gaussian Opacity Fields: Efficient and Compact Surface Reconstruction in Unbounded Scenes [50.92217884840301]
Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質でコンパクトな表面再構成のための新しいアプローチである。
GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。
GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
論文 参考訳(メタデータ) (2024-04-16T17:57:19Z) - Learning Gaussian Representation for Eye Fixation Prediction [54.88001757991433]
既存のアイ固定予測方法は、入力画像から原固定点から生成された対応する濃密な固定マップへのマッピングを行う。
本稿ではアイフィグレーションモデリングのためのガウス表現について紹介する。
我々は,リアルタイムな固定予測を実現するために,軽量なバックボーン上にフレームワークを設計する。
論文 参考訳(メタデータ) (2024-03-21T20:28:22Z) - Isotropic Gaussian Splatting for Real-Time Radiance Field Rendering [15.498640737050412]
提案手法は, 3次元再構成, ビュー合成, 動的オブジェクトモデリングなど, 広範囲の応用に適用できる。
提案手法は, 幾何表現精度を損なうことなく, 約bf100倍高速であることを確認した。
論文 参考訳(メタデータ) (2024-03-21T09:02:31Z) - PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models [15.846449180313778]
PolyDiffは、現実的で多様な3Dポリゴンメッシュを直接生成できる最初の拡散ベースのアプローチである。
我々のモデルは、下流3Dに統合可能な高品質な3D多角形メッシュを生成することができる。
論文 参考訳(メタデータ) (2023-12-18T18:19:26Z) - GIR: 3D Gaussian Inverse Rendering for Relightable Scene Factorization [76.52007427483396]
GIRは3次元ガウス逆レンダリング法である。
本手法は,多視点画像から物体の材料特性,照明,形状を推定するために3次元ガウス法を用いる。
論文 参考訳(メタデータ) (2023-12-08T16:05:15Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳(メタデータ) (2022-09-29T12:55:03Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳(メタデータ) (2022-01-28T10:01:37Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳(メタデータ) (2021-10-11T09:00:33Z) - Using Low-rank Representation of Abundance Maps and Nonnegative Tensor
Factorization for Hyperspectral Nonlinear Unmixing [28.064111391414773]
一般化双線形モデル(GBM)を解く非線形低ランクテンソルアンミックスアルゴリズムを提案する。
具体的には、GBMの線形部分と非線形部分の両方をテンソルとして表すことができる。
原子量マップと非線形相互作用マップの低ランク構造は、原子核ノルムを最小化する。
論文 参考訳(メタデータ) (2021-03-30T09:37:25Z) - Projection pursuit based on Gaussian mixtures and evolutionary
algorithms [0.0]
ガウス混合モデル(GMM)に基づく投影探索(PP)アルゴリズムを提案する。
PPに対するこの半パラメトリックアプローチは柔軟であり、高い情報的構造を検出できることを示す。
提案手法の性能は人工データセットと実データセットの両方で示される。
論文 参考訳(メタデータ) (2019-12-27T10:25:41Z)
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。