論文の概要: Bridging Physically Based Rendering and Diffusion Models with Stochastic Differential Equation

• arxiv url: http://arxiv.org/abs/2602.20725v1
• Date: Tue, 24 Feb 2026 09:44:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.699484
• Title: Bridging Physically Based Rendering and Diffusion Models with Stochastic Differential Equation
• Title（参考訳）: 確率微分方程式を用いたブリッジ物理ベースレンダリングと拡散モデル
• Authors: Junwei Shu, Wenjie Liu, Changgu Chen, Hantang Liu, Yang Li, Changbo Wang,
• Abstract要約: 拡散に基づく画像生成装置は、テキストや画像の状態からリアルなコンテンツを生成できる。 物理ベースのレンダリング(PBR)は微粒な物理制御を提供するが、プロンプト駆動の柔軟性に欠ける。 我々はモンテカルロのレンダリングと拡散に基づく生成モデリングを橋渡しする統一的な定式化を提案する。
• 参考スコア（独自算出の注目度）: 20.4369444239039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based image generators excel at producing realistic content from text or image conditions, but they offer only limited explicit control over low-level, physically grounded shading and material properties. In contrast, physically based rendering (PBR) offers fine-grained physical control but lacks prompt-driven flexibility. Although these two paradigms originate from distinct communities, both share a common evolution -- from noisy observations to clean images. In this paper, we propose a unified stochastic formulation that bridges Monte Carlo rendering and diffusion-based generative modeling. First, a general stochastic differential equation (SDE) formulation for Monte Carlo integration under the Central Limit Theorem is modeled. Through instantiation via physically based path tracing, we convert it into a physically grounded SDE representation. Moreover, we provide a systematic analysis of how the physical characteristics of path tracing can be extended to existing diffusion models from the perspective of noise variance. Extensive experiments across multiple tasks show that our method can exert physically grounded control over diffusion-generated results, covering tasks such as rendering and material editing.
• Abstract（参考訳）: 拡散ベースの画像生成装置は、テキストや画像の条件からリアルなコンテンツを生成できるが、低レベルで物理的に接地されたシェーディングや材料特性に対する明示的な制御しか提供していない。 対照的に、物理ベースのレンダリング(PBR)は微粒な物理制御を提供するが、プロンプト駆動の柔軟性に欠ける。 これらの2つのパラダイムは異なるコミュニティに由来するが、どちらもノイズの多い観察からきれいなイメージまで、共通の進化を共有している。 本稿ではモンテカルロのレンダリングと拡散に基づく生成モデリングを橋渡しする統合確率的定式化を提案する。 まず、中央極限定理の下でのモンテカルロ積分に対する一般確率微分方程式(SDE)の定式化をモデル化する。 物理ベースパストレースによるインスタンス化により,SDE表現に変換する。 さらに、ノイズ分散の観点から、経路追跡の物理的特性を既存の拡散モデルに拡張する方法を体系的に分析する。 複数のタスクにまたがる広範囲な実験により,本手法は,レンダリングやマテリアル編集などのタスクをカバーし,拡散生成結果に対して物理的に制御できることを示した。

関連論文リスト

• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Enhanced Controllability of Diffusion Models via Feature Disentanglement and Realism-Enhanced Sampling Methods [27.014858633903867]
  拡散モデル(FDiff)の特徴分散のためのトレーニングフレームワークを提案する。 本稿では,拡散モデルの現実性を高め,制御性を高める2つのサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T07:43:00Z)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• Generative Modelling With Inverse Heat Dissipation [21.738877553160304]
  本研究では,熱方程式を逆転させて画像を生成する拡散様モデルを提案する。PDEは,画像の2次元平面上での走行時に,微細な情報を消去する。 我々の新しいモデルでは、標準拡散モデルでは見られない創発的特性が示され、例えば画像の全体色と形状が乱れている。
  論文  参考訳（メタデータ） (2022-06-21T13:40:38Z)

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。