論文の概要: Neural Two-Level Monte Carlo Real-Time Rendering
- arxiv url: http://arxiv.org/abs/2412.04634v1
- Date: Thu, 05 Dec 2024 22:06:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:55:33.785991
- Title: Neural Two-Level Monte Carlo Real-Time Rendering
- Title（参考訳）: ニューラル2レベルモンテカルロ実時間レンダリング
- Authors: Mikhail Dereviannykh, Dmitrii Klepikov, Johannes Hanika, Carsten Dachsbacher,
- Abstract要約: グローバル照明によるシーンのリアルタイムレンダリングのための効率的な2レベルモンテカルロ推定器を提案する。
まず、完全に融合した小さなニューラルネットワークのパワーを活用して、NIRC(Neural Incident Radiance Cache)を開発した。
残差積分については、NIRC予測と非バイアス経路追跡シミュレーションの差を計算する。
- 参考スコア（独自算出の注目度）: 4.64982780843177
- License:
- Abstract: We introduce an efficient Two-Level Monte Carlo (subset of Multi-Level Monte Carlo, MLMC) estimator for real-time rendering of scenes with global illumination. Using MLMC we split the shading integral into two parts: the radiance cache integral and the residual error integral that compensates for the bias of the first one. For the first part, we developed the Neural Incident Radiance Cache (NIRC) leveraging the power of fully-fused tiny neural networks as a building block, which is trained on the fly. The cache is designed to provide a fast and reasonable approximation of the incident radiance: an evaluation takes 2-25x less compute time than a path tracing sample. This enables us to estimate the radiance cache integral with a high number of samples and by this achieve faster convergence. For the residual error integral, we compute the difference between the NIRC predictions and the unbiased path tracing simulation. Our method makes no assumptions about the geometry, materials, or lighting of a scene and has only few intuitive hyper-parameters. We provide a comprehensive comparative analysis in different experimental scenarios. Since the algorithm is trained in an on-line fashion, it demonstrates significant noise level reduction even for dynamic scenes and can easily be combined with other importance sampling schemes and noise reduction techniques.
- Abstract（参考訳）: マルチレベルモンテカルロ(MLMC)のサブセットである2レベルモンテカルロ (Two-Level Monte Carlo) を用いて,グローバル照明によるシーンのリアルタイムレンダリングを行う。
MLMCを用いてシェーディング積分を2つの部分に分割した: レイディアンスキャッシュ積分と、最初の部分のバイアスを補う残差積分である。
最初の部分では、完全に融合した小さなニューラルネットワークをビルディングブロックとして活用し、オンザフライでトレーニングしたニューラルインシデントラジアンスキャッシュ(NIRC)を開発しました。
キャッシュは、インシデント放射率の高速かつ合理的な近似を提供するように設計されている。
これにより、多数のサンプルで放射能キャッシュ積分を推定し、より高速な収束を実現することができる。
残差積分については、NIRC予測と非バイアス経路追跡シミュレーションの差を計算する。
本手法では,シーンの形状,材質,照明に関する仮定は行わず,直感的なハイパーパラメータしか持たない。
異なる実験シナリオにおける総合的な比較分析を提供する。
このアルゴリズムはオンライン方式で訓練されているため,動的シーンにおいても大きなノイズレベル低減効果を示し,他の重要なサンプリング手法やノイズレベル低減手法と容易に組み合わせることができる。
関連論文リスト
- Flash Cache: Reducing Bias in Radiance Cache Based Inverse Rendering [62.92985004295714]
本稿では,レンダリングに偏りをもたらす近似を回避し,最適化に用いた勾配を求める手法を提案する。
これらのバイアスを除去することで、逆レンダリングに基づくレーダランスキャッシュの一般化が向上し、スペクトル反射のような光輸送効果に挑戦する際の品質が向上することを示す。
論文 参考訳（メタデータ） (2024-09-09T17:59:57Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - 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) - FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense
RGB SLAM [3.6985351289638957]
本稿では,リアルタイム高密度RGB SLAMにおける色付き点クラウドマップの連続的推定を容易にする,効率的なニューラルネットワークマッピングフレームワークであるFMappingを紹介する。
本稿では,シーン表現のための効果的な因子化手法を提案し,シーン再構成の不確実性を低減するためのスライディングウィンドウ戦略を提案する。
論文 参考訳（メタデータ） (2023-06-01T11:51:46Z) - Differentiable Rendering with Reparameterized Volume Sampling [2.717399369766309]
ビュー合成において、ニューラルネットワークは、シーン画像のスパースセットに基づいて、基礎となる密度と放射場を近似する。
このレンダリングアルゴリズムは、完全に微分可能であり、フィールドの勾配に基づく最適化を容易にする。
逆変換サンプリングに基づく単純なエンドツーエンドの微分可能サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-21T19:56:50Z) - AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance
Fields [8.214695794896127]
新たなビュー合成は、スパース観測から直接神経放射場を学習することで、近年革新されている。
この新たなパラダイムによる画像のレンダリングは、ボリュームレンダリング方程式の正確な4分の1は、各光線に対して大量のサンプルを必要とするため、遅い。
本稿では,必要なサンプル点数を最大限に削減する方法を学習し,方向性を示す新しいデュアルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-21T05:59:13Z) - Differentiable Point-Based Radiance Fields for Efficient View Synthesis [57.56579501055479]
本稿では,効率的な新規ビュー合成のための微分可能レンダリングアルゴリズムを提案する。
我々の手法は、トレーニングと推論の両方において、NeRFよりも最大300倍高速である。
ダイナミックなシーンでは,STNeRFよりも2桁早く,ほぼインタラクティブなレートでレンダリングを行う。
論文 参考訳（メタデータ） (2022-05-28T04:36:13Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z) - Learning to Importance Sample in Primary Sample Space [22.98252856114423]
本稿では,ニューラルネットワークを用いて,サンプルの集合に代表される所望密度からサンプルを抽出する方法を学習する,新たな重要サンプリング手法を提案する。
提案手法は, 様々なシナリオにおいて, 効果的な分散低減につながることを示す。
論文 参考訳（メタデータ） (2018-08-23T16:55:53Z)
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。