論文の概要: Vertex Features for Neural Global Illumination
- arxiv url: http://arxiv.org/abs/2508.07852v1
- Date: Mon, 11 Aug 2025 11:10:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.059108
- Title: Vertex Features for Neural Global Illumination
- Title(参考訳): ニューラル・グローバル・イルミネーションのための頂点的特徴
- Authors: Rui Su, Honghao Dong, Haojie Jin, Yisong Chen, Guoping Wang, Sheng Li,
- Abstract要約: 明示的なメッシュ表面を含むニューラルレンダリングタスクのための学習可能な表現の一般化された定式化であるニューラル特徴を示す。
我々は、様々なニューラルレンダリングタスクにおける神経表現を、特にニューラルラジオシティに重点を置いて検証する。
- 参考スコア(独自算出の注目度): 21.57826395764302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent research on learnable neural representations has been widely adopted in the field of 3D scene reconstruction and neural rendering applications. However, traditional feature grid representations often suffer from substantial memory footprint, posing a significant bottleneck for modern parallel computing hardware. In this paper, we present neural vertex features, a generalized formulation of learnable representation for neural rendering tasks involving explicit mesh surfaces. Instead of uniformly distributing neural features throughout 3D space, our method stores learnable features directly at mesh vertices, leveraging the underlying geometry as a compact and structured representation for neural processing. This not only optimizes memory efficiency, but also improves feature representation by aligning compactly with the surface using task-specific geometric priors. We validate our neural representation across diverse neural rendering tasks, with a specific emphasis on neural radiosity. Experimental results demonstrate that our method reduces memory consumption to only one-fifth (or even less) of grid-based representations, while maintaining comparable rendering quality and lowering inference overhead.
- Abstract(参考訳): 学習可能なニューラル表現に関する最近の研究は、3次元シーン再構成とニューラルレンダリングの分野で広く採用されている。
しかし、従来の特徴グリッド表現はメモリフットプリントが大幅に低下することが多く、現代の並列コンピューティングハードウェアにとって重大なボトルネックとなっている。
本稿では,明示的なメッシュ表面を含むニューラルレンダリングタスクにおいて,学習可能な表現を一般化したニューラル頂点特徴について述べる。
本手法は,3次元空間全体に一様に分布する代わりに,学習可能な特徴を直接メッシュ頂点に格納し,その基礎となる形状をニューラルネットワークのコンパクトかつ構造化された表現として活用する。
これはメモリ効率を最適化するだけでなく、タスク固有の幾何学的前提を用いて、表面とコンパクトに整列することで特徴表現を改善する。
我々は、様々なニューラルレンダリングタスクにおける神経表現を、特にニューラルラジオシティに重点を置いて検証する。
実験結果から,提案手法はグリッドベース表現の5分の1(あるいはそれ以下)にしかメモリ消費を抑えつつ,同等のレンダリング品質を維持し,推論オーバーヘッドを低減させる。
関連論文リスト
- Optimizing 3D Geometry Reconstruction from Implicit Neural Representations [2.3940819037450987]
暗黙の神経表現は、3D幾何学を学ぶための強力なツールとして登場した。
本稿では,計算コストを削減し,細部を捉える新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-16T16:36:23Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳(メタデータ) (2024-05-25T13:54:34Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳(メタデータ) (2024-03-18T18:01:01Z) - Explicifying Neural Implicit Fields for Efficient Dynamic Human Avatar
Modeling via a Neural Explicit Surface [10.604108229704336]
暗黙のニューラルネットワークは、ダイナミックな3Dコンテンツのモデリングにおいて、従来の明示的な表現よりも有利である。
本稿では,暗黙のニューラルネットワークを明示的に表現するために,ニューラル・エクスプリシト・サーフェス(NES)の利用を提案する。
NESは従来の3Dアプローチと同様に、レンダリング速度を大幅に改善し、メモリコストを削減した。
論文 参考訳(メタデータ) (2023-08-07T07:17:18Z) - Masked Wavelet Representation for Compact Neural Radiance Fields [5.279919461008267]
3Dシーンやオブジェクトを表現するために多層パーセプトロンを使用するには、膨大な計算資源と時間が必要である。
本稿では,データ構造を付加することの利点を損なうことなく,サイズを小さくする方法を提案する。
提案したマスクと圧縮パイプラインにより,2MBのメモリ予算で最先端の性能を実現した。
論文 参考訳(メタデータ) (2022-12-18T11:43:32Z) - Variable Bitrate Neural Fields [75.24672452527795]
本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。
辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
論文 参考訳(メタデータ) (2022-06-15T17:58:34Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳(メタデータ) (2022-06-01T17:58:15Z)
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。