論文の概要: PhysHDR: When Lighting Meets Materials and Scene Geometry in HDR Reconstruction

• arxiv url: http://arxiv.org/abs/2509.16869v1
• Date: Sun, 21 Sep 2025 01:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.013877
• Title: PhysHDR: When Lighting Meets Materials and Scene Geometry in HDR Reconstruction
• Title（参考訳）: PhysHDR: 照明がHDR再建の材料とシーン幾何学に出会ったとき
• Authors: Hrishav Bakul Barua, Kalin Stefanov, Ganesh Krishnasamy, KokSheik Wong, Abhinav Dhall,
• Abstract要約: 低ダイナミックレンジから高ダイナミックレンジ () 画像翻訳は、多くのコンピュータビジョン問題において基本的な課題である。 この問題に対処するために多くのデータ駆動手法が提案されているが、画像中の照明、照明、シーン幾何学の明確なモデリングは欠如している。 本稿では,HDR画像再構成のための簡易かつ強力な遅延拡散ベース生成モデルであるPhysを提案する。
• 参考スコア（独自算出の注目度）: 13.694220697168829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low Dynamic Range (LDR) to High Dynamic Range (HDR) image translation is a fundamental task in many computational vision problems. Numerous data-driven methods have been proposed to address this problem; however, they lack explicit modeling of illumination, lighting, and scene geometry in images. This limits the quality of the reconstructed HDR images. Since lighting and shadows interact differently with different materials, (e.g., specular surfaces such as glass and metal, and lambertian or diffuse surfaces such as wood and stone), modeling material-specific properties (e.g., specular and diffuse reflectance) has the potential to improve the quality of HDR image reconstruction. This paper presents PhysHDR, a simple yet powerful latent diffusion-based generative model for HDR image reconstruction. The denoising process is conditioned on lighting and depth information and guided by a novel loss to incorporate material properties of surfaces in the scene. The experimental results establish the efficacy of PhysHDR in comparison to a number of recent state-of-the-art methods.
• Abstract（参考訳）: 低ダイナミックレンジ (LDR) から高ダイナミックレンジ (HDR) 画像翻訳 (HDR) は、多くのコンピュータビジョン問題において基本的な課題である。 この問題に対処するために多くのデータ駆動手法が提案されているが、画像中の照明、照明、シーン幾何学の明確なモデリングは欠如している。 これにより再構成されたHDR画像の品質が制限される。 照明と影は異なる材料(例えばガラスや金属のような特異面、木や石のようなランバーティアンや拡散面)と異なる相互作用をするので、材料固有の特性(例えば、スペクトルと拡散反射率)をモデル化することで、HDR画像再構成の品質を向上させることができる。 本稿では,HDR画像再構成のための簡易かつ強力な遅延拡散ベース生成モデルであるPhysHDRを提案する。 装飾工程は、照明及び深度情報に基づいて調整され、新たな損失によって誘導され、シーン内の表面の材料特性を取り入れる。 The experimental results established the effective of PhysHDR compared with a recent-of-the-art method。

関連論文リスト

• LEDiff: Latent Exposure Diffusion for HDR Generation [11.669442066168244]
  LEDiffは、遅延空間露光融合技術により、HDRコンテンツを生成する生成モデルを実現する方法である。 また、LDR-to-fusionコンバータとしても機能し、既存の低ダイナミックレンジ画像のダイナミックレンジを拡張する。
  論文  参考訳（メタデータ） (2024-12-19T02:15:55Z)
• IRIS: Inverse Rendering of Indoor Scenes from Low Dynamic Range Images [43.82482706404381]
  逆レンダリングは、撮像された画像から3次元幾何学、表面物質、照明を復元しようとする。 そこで本研究では,物理ベース素材を復元する逆レンダリングフレームワークであるIRISを紹介する。 我々は、実世界のシーンと合成シーンのアプローチを評価し、最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-01-23T18:59:56Z)
• Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry from Sparse Low Dynamic Range Panoramic Images [82.1477261107279]
  そこで本研究では,Sparse LDRパノラマ画像からの照射場を用いて,忠実な幾何復元のための観測回数を増やすことを提案する。 実験により、照射場は幾何復元とHDR再構成の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-26T08:10:22Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Beyond Visual Attractiveness: Physically Plausible Single Image HDR Reconstruction for Spherical Panoramas [60.24132321381606]
  我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。 本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
  論文  参考訳（メタデータ） (2021-03-24T01:51:19Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。