論文の概要: MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images

• arxiv url: http://arxiv.org/abs/2507.04749v1
• Date: Mon, 07 Jul 2025 08:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.326559
• Title: MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images
• Title（参考訳）: MatDecompSDF:多視点画像からの高忠実度3次元形状とPBR材料分解
• Authors: Chengyu Wang, Isabella Bennett, Henry Scott, Liang Zhang, Mei Chen, Hao Li, Rui Zhao,
• Abstract要約: MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
• 参考スコア（独自算出の注目度）: 20.219010684946888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MatDecompSDF, a novel framework for recovering high-fidelity 3D shapes and decomposing their physically-based material properties from multi-view images. The core challenge of inverse rendering lies in the ill-posed disentanglement of geometry, materials, and illumination from 2D observations. Our method addresses this by jointly optimizing three neural components: a neural Signed Distance Function (SDF) to represent complex geometry, a spatially-varying neural field for predicting PBR material parameters (albedo, roughness, metallic), and an MLP-based model for capturing unknown environmental lighting. The key to our approach is a physically-based differentiable rendering layer that connects these 3D properties to the input images, allowing for end-to-end optimization. We introduce a set of carefully designed physical priors and geometric regularizations, including a material smoothness loss and an Eikonal loss, to effectively constrain the problem and achieve robust decomposition. Extensive experiments on both synthetic and real-world datasets (e.g., DTU) demonstrate that MatDecompSDF surpasses state-of-the-art methods in geometric accuracy, material fidelity, and novel view synthesis. Crucially, our method produces editable and relightable assets that can be seamlessly integrated into standard graphics pipelines, validating its practical utility for digital content creation.
• Abstract（参考訳）: 多視点画像から高忠実度3次元形状を復元し,その物理的特性を分解する新しいフレームワークであるMatDecompSDFを提案する。 逆レンダリングの核となる課題は、幾何学、材料、照明を2次元の観測から切り離すことにある。 そこで本手法では, 複雑な形状を表す神経信号距離関数(SDF)とPBR物質パラメータ(アルベド, 粗さ, 金属)を予測する空間変化ニューラルネットワーク, 未知の環境光を捉えたMLPモデル, の3成分を共同で最適化する。 このアプローチの鍵となるのは、これらの3Dプロパティを入力画像に接続し、エンドツーエンドの最適化を可能にする物理ベースの微分可能レンダリング層である。 物質的滑らかさ損失とアイコン損失を含む、慎重に設計された物理先行と幾何学的正則化のセットを導入し、問題を効果的に抑制し、堅牢な分解を実現する。 合成および実世界のデータセット(例:DTU)の広範な実験により、MatDecompSDFは幾何学的精度、材料忠実性、新しいビュー合成において最先端の手法を超越していることが示された。 重要な点として,本手法は,標準的なグラフィックスパイプラインにシームレスに統合可能な編集可能・再生可能なアセットを生成し,デジタルコンテンツ作成の実用性を検証した。

関連論文リスト

• MaterialMVP: Illumination-Invariant Material Generation via Multi-view PBR Diffusion [37.596740171045845]
  物理ベースのレンダリング(PBR)は現代のコンピュータグラフィックスの基盤となり、3Dシーンにおける現実的な物質表現と照明相互作用を可能にしている。 本稿では3次元メッシュと画像プロンプトからPBRテクスチャを生成するための新しいエンド・ツー・エンドモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T11:57:30Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• Triplet: Triangle Patchlet for Mesh-Based Inverse Rendering and Scene Parameters Approximation [0.0]
  逆レンダリングは、光、幾何学、テクスチャ、材料を含むシーンの物理的特性を導き出そうとする。 メッシュは、多くのシミュレーションパイプラインで採用されている伝統的な表現として、いまだに逆レンダリングのラディアンスフィールドに限られた影響しか示していない。 本稿では,これらのパラメータを包括的に近似するメッシュベースの表現であるTriangle Patchlet (abbr. Triplet) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T09:59:11Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
  295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。 OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。 これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
  論文  参考訳（メタデータ） (2024-06-13T07:46:17Z)

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。