論文の概要: Unveiling the Ambiguity in Neural Inverse Rendering: A Parameter Compensation Analysis

• arxiv url: http://arxiv.org/abs/2404.12819v1
• Date: Fri, 19 Apr 2024 11:56:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 15:16:46.758835
• Title: Unveiling the Ambiguity in Neural Inverse Rendering: A Parameter Compensation Analysis
• Title（参考訳）: ニューラルインバースレンダリングにおけるあいまいさの解消:パラメータ補償分析
• Authors: Georgios Kouros, Minye Wu, Sushruth Nagesh, Xianling Zhang, Tinne Tuytelaars,
• Abstract要約: 逆レンダリングは、マルチビュー画像のみからオブジェクトのシーン特性を再構築することを目的としている。 本稿では,最先端のニューラルネットワーク逆レンダリング手法であるNeural Microfacet Fields (NMF) を用いて,そのあいまいさを表現した。
• 参考スコア（独自算出の注目度）: 36.353019226575576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse rendering aims to reconstruct the scene properties of objects solely from multiview images. However, it is an ill-posed problem prone to producing ambiguous estimations deviating from physically accurate representations. In this paper, we utilize Neural Microfacet Fields (NMF), a state-of-the-art neural inverse rendering method to illustrate the inherent ambiguity. We propose an evaluation framework to assess the degree of compensation or interaction between the estimated scene properties, aiming to explore the mechanisms behind this ill-posed problem and potential mitigation strategies. Specifically, we introduce artificial perturbations to one scene property and examine how adjusting another property can compensate for these perturbations. To facilitate such experiments, we introduce a disentangled NMF where material properties are independent. The experimental findings underscore the intrinsic ambiguity present in neural inverse rendering and highlight the importance of providing additional guidance through geometry, material, and illumination priors.
• Abstract（参考訳）: 逆レンダリングは、マルチビュー画像のみからオブジェクトのシーン特性を再構築することを目的としている。 しかし、物理的に正確な表現から逸脱した曖昧な推定を生成するのは不適切な問題である。 本稿では,最先端のニューラルネットワーク逆レンダリング手法であるNeural Microfacet Fields (NMF) を用いて,そのあいまいさを表現した。 本研究では,この不適切な問題の背後にあるメカニズムと潜在的な緩和戦略を検討することを目的として,推定されたシーン特性間の補償や相互作用の程度を評価するための評価フレームワークを提案する。 具体的には,1つのシーンに人工摂動を導入し,他の特性の調整がこれらの摂動を補うかを検討する。 このような実験を容易にするために,材料特性が独立な非絡合NMFを導入する。 実験の結果は、神経逆レンダリングにおける本質的な曖昧さを浮き彫りにし、幾何学、材料、照明の先駆者を通して追加のガイダンスを提供することの重要性を強調した。

関連論文リスト

• NeISF: Neural Incident Stokes Field for Geometry and Material Estimation [50.588983686271284]
  多視点逆レンダリングは、異なる視点で撮影された一連の画像から形状、材料、照明などのシーンパラメータを推定する問題である。 本稿では,偏光手がかりを用いた曖昧さを低減する多視点逆フレームワークNeISFを提案する。
  論文  参考訳（メタデータ） (2023-11-22T06:28:30Z)
• Inverse Rendering of Translucent Objects using Physical and Neural Renderers [13.706425832518093]
  本研究では,半透明物体の1対の撮像画像のみから3次元形状,空間的反射率,均質散乱パラメータ,環境照度を推定する逆モデルを提案する。 2つの再構成は微分可能であるため、パラメータ推定を補助するために再構成損失を計算することができる。 我々は117Kシーンからなる半透明物体の大規模合成データセットを構築した。
  論文  参考訳（メタデータ） (2023-05-15T04:03:11Z)
• 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)
• RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
  既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。 本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。 提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
  論文  参考訳（メタデータ） (2022-05-11T17:59:51Z)
• Occlusion Fields: An Implicit Representation for Non-Line-of-Sight Surface Reconstruction [3.0553868534759725]
  非視線再構成(NLoS)は、直接見える拡散した壁から間接的に散乱する光の測定から視野外の物体を復元することを目的としている。 本研究では,NLoSシーンの再現性と復元性とを両立させる新しい表現と再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-03-16T14:47:45Z)
• NeRFactor: Neural Factorization of Shape and Reflectance Under an Unknown Illumination [60.89737319987051]
  照明条件が不明な物体の多視点像から物体の形状と空間的反射率を復元する問題に対処する。 これにより、任意の環境照明下でのオブジェクトの新たなビューのレンダリングや、オブジェクトの材料特性の編集が可能になる。
  論文  参考訳（メタデータ） (2021-06-03T16:18:01Z)
• Interpreting Deep Neural Networks with Relative Sectional Propagation by Analyzing Comparative Gradients and Hostile Activations [37.11665902583138]
  DNN(Deep Neural Networks)の出力予測を分解するための新しいアトリビューション手法であるRelative Sectional Propagation(RSP)を提案する。 我々は、敵対的因子をターゲットの属性を見つけるのを妨げる要素として定義し、活性化ニューロンの非抑制的な性質を克服するために区別可能な方法でそれを伝播させる。 本手法により,従来の帰属法と比較して,DNNのクラス識別性や活性化ニューロンの詳細な解明により,DNNの予測を分解することができる。
  論文  参考訳（メタデータ） (2020-12-07T03:11:07Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Reconstruction Bottlenecks in Object-Centric Generative Models [24.430685026986524]
  近年のVAEモデルであるgenESISにおけるシーン分解における「再構成ボトルネック」の役割について検討する。 このようなボトルネックが再構成やセグメンテーションの質を決定づけ、モデル行動に重大な影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2020-07-13T08:52:48Z)

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。