論文の概要: TensoFlow: Tensorial Flow-based Sampler for Inverse Rendering

• arxiv url: http://arxiv.org/abs/2503.18328v1
• Date: Mon, 24 Mar 2025 04:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:36:18.174328
• Title: TensoFlow: Tensorial Flow-based Sampler for Inverse Rendering
• Title（参考訳）: TensoFlow: 逆レンダリングのためのテンソルフローベースサンプリング
• Authors: Chun Gu, Xiaofei Wei, Li Zhang, Xiatian Zhu,
• Abstract要約: 逆レンダリングは、多視点画像からシーン形状、材料特性、照明を復元することを目的としている。 光-表面相互作用の複雑さを考えると、レンダリング方程式の評価には重要サンプリングが不可欠である。 既存の逆レンダリング手法は、通常手動で事前定義された非学習可能な重要サンプルを使用する。 本稿では, 空間的, 方向的に認識されたレンダリング方程式の重要サンプルを学習し, 典型的なシーンの制約のない複雑さを正確に, 柔軟に捉えることを提案する。
• 参考スコア（独自算出の注目度）: 38.74244725059936
• License:
• Abstract: Inverse rendering aims to recover scene geometry, material properties, and lighting from multi-view images. Given the complexity of light-surface interactions, importance sampling is essential for the evaluation of the rendering equation, as it reduces variance and enhances the efficiency of Monte Carlo sampling. Existing inverse rendering methods typically use pre-defined non-learnable importance samplers in prior manually, struggling to effectively match the spatially and directionally varied integrand and resulting in high variance and suboptimal performance. To address this limitation, we propose the concept of learning a spatially and directionally aware importance sampler for the rendering equation to accurately and flexibly capture the unconstrained complexity of a typical scene. We further formulate TensoFlow, a generic approach for sampler learning in inverse rendering, enabling to closely match the integrand of the rendering equation spatially and directionally. Concretely, our sampler is parameterized by normalizing flows, allowing both directional sampling of incident light and probability density function (PDF) inference. To capture the characteristics of the sampler spatially, we learn a tensorial representation of the scene space, which imposes spatial conditions, together with reflected direction, leading to spatially and directionally aware sampling distributions. Our model can be optimized by minimizing the difference between the integrand and our normalizing flow. Extensive experiments validate the superiority of TensoFlow over prior alternatives on both synthetic and real-world benchmarks.
• Abstract（参考訳）: 逆レンダリングは、多視点画像からシーン形状、材料特性、照明を復元することを目的としている。 光-表面相互作用の複雑さを考えると、モンテカルロサンプリングの分散を低減し効率を高めるため、レンダリング方程式の評価には重要となる。 既存の逆レンダリング手法は、通常、事前に定義された非学習可能な重要サンプルを手動で使用し、空間的および方向的に変化するインテグレードと効果的に一致させることに苦慮し、高いばらつきと準最適性能をもたらす。 この制限に対処するために、典型的なシーンの制約のない複雑さを正確にかつ柔軟に捉えるために、レンダリング方程式の空間的および方向的に認識される重要サンプルを学習する概念を提案する。 さらに、逆レンダリングにおけるサンプル学習のための一般的なアプローチであるTensoFlowを定式化し、描画方程式の積分を空間的・方向的に密に一致させることができる。 具体的には,本サンプルは流れの正規化によってパラメータ化され,入射光の方向サンプリングと確率密度関数(PDF)の推論が可能である。 本研究では,空間的特徴を空間的に捉えるために,空間的条件を課すシーン空間のテンソル表現と,空間的,方向的に認識されるサンプリング分布を学習する。 インテグレードと正規化フローの差を最小限に抑えることで、我々のモデルは最適化できる。 大規模な実験は、合成ベンチマークと実世界のベンチマークの両方において、以前の代替よりもTensoFlowの方が優れていることを検証している。

関連論文リスト

• LinPrim: Linear Primitives for Differentiable Volumetric Rendering [53.780682194322225]
  線形プリミティブ-オクタヘドラとテトラヘドラ-ボスに基づく2つの新しいシーン表現を導入する。 この定式化は、ダウンストリームアプリケーションのオーバーヘッドを最小限にする、標準メッシュベースのツールと自然に一致します。 再現精度を向上するためにプリミティブを減らしながら,最先端のボリューム手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-01-27T18:49:38Z)
• Neural Product Importance Sampling via Warp Composition [9.846719854600709]
  サンプル照明製品積分を効率よく重要にするために, 正規化フローを用いた学習に基づく手法を提案する。 複雑な幾何学, 材料, 照明などを含む様々な応用において, 先行手法による分散の低減を実証する。
  論文  参考訳（メタデータ） (2024-09-12T15:38:21Z)
• Entropy-MCMC: Sampling from Flat Basins with Ease [10.764160559530849]
  我々は, シャープモードから解放された円滑な後円板に類似した定常分布である補助誘導変数を導入し, MCMC試料を平らな盆地に導出する。 この導出変数をモデルパラメータと統合することにより、計算オーバーヘッドを最小限に抑えた効率的なサンプリングを可能にする、単純なジョイント分布を作成する。 実験により,提案手法は後方の平らな盆地から試料を採取し,比較したベースラインを複数ベンチマークで比較した。
  論文  参考訳（メタデータ） (2023-10-09T04:40:20Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
  本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。 我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。 我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
  論文  参考訳（メタデータ） (2021-10-21T14:47:06Z)
• Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent Resolution of Particle-Based Liquids [0.6882042556551611]
  本稿では,深層ニューラルネットワークを用いたシーンフロー推定に基づく高分解能液体の生成手法を提案する。 本手法は, 低分解能粒子ベース液体シミュレーションのみで, 小型・大規模の細部を推測, 合成する。
  論文  参考訳（メタデータ） (2021-06-09T15:36:23Z)
• 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)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• 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。