論文の概要: Neural Importance Sampling of Many Lights
- arxiv url: http://arxiv.org/abs/2505.11729v1
- Date: Fri, 16 May 2025 22:23:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:10.809325
- Title: Neural Importance Sampling of Many Lights
- Title（参考訳）: 多数の光のニューラル・パタンス・サンプリング
- Authors: Pedro Figueiredo, Qihao He, Steve Bako, Nima Khademi Kalantari,
- Abstract要約: 局所的な情報に基づいて,シェーディングポイント毎の光選択分布を予測するニューラルネットワークを提案する。
本手法は多様で難易度の高いシーンにまたがって優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 6.296195411878043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a neural approach for estimating spatially varying light selection distributions to improve importance sampling in Monte Carlo rendering, particularly for complex scenes with many light sources. Our method uses a neural network to predict the light selection distribution at each shading point based on local information, trained by minimizing the KL-divergence between the learned and target distributions in an online manner. To efficiently manage hundreds or thousands of lights, we integrate our neural approach with light hierarchy techniques, where the network predicts cluster-level distributions and existing methods sample lights within clusters. Additionally, we introduce a residual learning strategy that leverages initial distributions from existing techniques, accelerating convergence during training. Our method achieves superior performance across diverse and challenging scenes.
- Abstract（参考訳）: 本稿では,モンテカルロレンダリングにおける重要サンプリング,特に多くの光源を持つ複雑なシーンにおいて,空間的に異なる光選択分布を推定し,重要サンプリングを改善するためのニューラルネットワークを提案する。
本手法はニューラルネットワークを用いて,学習した分布と対象分布のKL偏差を最小化して学習した局所情報に基づいて,シェーディングポイント毎の光選択分布を推定する。
数百から数千の光を効率的に管理するために、我々はニューラルネットワークを光階層技術と統合する。
さらに,既存の手法から初期分布を利用する残差学習戦略を導入し,学習時の収束を促進させる。
本手法は多様で難易度の高いシーンにまたがって優れた性能を実現する。
関連論文リスト
- Improved off-policy training of diffusion samplers [93.66433483772055]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳（メタデータ） (2024-02-07T18:51:49Z) - k* Distribution: Evaluating the Latent Space of Deep Neural Networks using Local Neighborhood Analysis [7.742297876120561]
ここでは,k*分布とその可視化手法を紹介する。
本手法では, サンプル分布の構造の保存を保証するため, 局所的近傍解析を用いる。
実験により、ネットワークの学習潜在空間内のサンプルの分布は、クラスによって大きく異なることが示された。
論文 参考訳（メタデータ） (2023-12-07T03:42:48Z) - Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。
複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。
提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
論文 参考訳（メタデータ） (2023-10-10T14:06:56Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Understanding of the properties of neural network approaches for
transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。
テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文 参考訳（メタデータ） (2022-09-15T18:00:08Z) - On the Effectiveness of Mode Exploration in Bayesian Model Averaging for
Neural Networks [1.3960152426268768]
重み空間の局所領域を,ブライアスコア,精度,キャリブレーション誤差に対して探索するいくつかの簡単な手法について検討した。
個別モードの追加は性能を均一に向上させるが、ここで考慮した単純なモード探索法は、モード探索なしでのアンサンブルよりもほとんど、あるいは全く改善しないことを示す。
論文 参考訳（メタデータ） (2021-12-07T15:39:37Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳（メタデータ） (2021-02-20T23:26:58Z) - Photon-Driven Neural Path Guiding [102.12596782286607]
本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。
我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。
提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
論文 参考訳（メタデータ） (2020-10-05T04:54:01Z)
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。