論文の概要: Neural Dynamic GI: Random-Access Neural Compression for Temporal Lightmaps in Dynamic Lighting Environments
- arxiv url: http://arxiv.org/abs/2604.12625v1
- Date: Tue, 14 Apr 2026 11:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.418624
- Title: Neural Dynamic GI: Random-Access Neural Compression for Temporal Lightmaps in Dynamic Lighting Environments
- Title（参考訳）: ニューラルダイナミックGI:動的照明環境における時間光マップのランダム圧縮
- Authors: Jianhui Wu, Jian Zhou, Zhi Zhou, Zhangjin Huang, Chao Li,
- Abstract要約: リアルタイムレンダリングにおける高品質なグローバル照明(GI)は、標準選択としてライトマップで一般的に使用される。
本稿では,光マップに特化して設計された新しい時間圧縮手法を提案する。
- 参考スコア（独自算出の注目度）: 14.137166785293607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality global illumination (GI) in real-time rendering is commonly achieved using precomputed lighting techniques, with lightmap as the standard choice. To support GI for static objects in dynamic lighting environments, multiple lightmaps at different lighting conditions need to be precomputed, which incurs substantial storage and memory overhead. To overcome this limitation, we propose Neural Dynamic GI (NDGI), a novel compression technique specifically designed for temporal lightmap sets. Our method utilizes multi-dimensional feature maps and lightweight neural networks to integrate the temporal information instead of storing multiple sets explicitly, which significantly reduces the storage size of lightmaps. Additionally, we introduce a block compression (BC) simulation strategy during the training process, which enables BC compression on the final generated feature maps and further improves the compression ratio. To enable efficient real-time decompression, we also integrate a virtual texturing (VT) system with our neural representation. Compared with prior methods, our approach achieves high-quality dynamic GI while maintaining remarkably low storage and memory requirements, with only modest real-time decompression overhead. To facilitate further research in this direction, we will release our temporal lightmap dataset precomputed in multiple scenes featuring diverse temporal variations.
- Abstract（参考訳）: リアルタイムレンダリングにおける高品質なグローバル照明(GI)は、通常、あらかじめ計算された照明技術を用いて実現され、ライトマップが標準選択である。
動的照明環境における静的オブジェクトのGIをサポートするには、異なる照明条件の複数のライトマップを事前計算する必要がある。
この制限を克服するために、時間的光マップセットに特化して設計された新しい圧縮技術であるNeural Dynamic GI(NDGI)を提案する。
提案手法では,複数セットを明示的に格納するのではなく,多次元の特徴マップと軽量ニューラルネットワークを用いて時間情報を統合することにより,光マップの記憶容量を大幅に削減する。
さらに,最終生成した特徴マップ上でのBC圧縮を可能にするとともに,圧縮率をさらに向上する,ブロック圧縮(BC)シミュレーション戦略を導入する。
また,効率的なリアルタイム圧縮を実現するために,仮想テクスチャ(VT)システムとニューラル表現を統合した。
従来の手法と比較して,本手法はストレージとメモリの要求を著しく低く保ちながら,高画質な動的GIを実現する。
この方向のさらなる研究を容易にするため、様々な時間変動を特徴とする複数のシーンでプリ計算された時間的光マップデータセットを公開します。
関連論文リスト
- UHD Low-Light Image Enhancement via Real-Time Enhancement Methods with Clifford Information Fusion [51.51707075741303]
幾何学的特徴融合に基づく新しいリアルタイムUHD低照度拡張ネットワークを提案する。
本手法は,1台のコンシューマグレードデバイス上での4K/8K画像に対するミリ秒レベルの推論を実現する。
論文 参考訳（メタデータ） (2026-04-10T13:47:04Z) - SANR: Scene-Aware Neural Representation for Light Field Image Compression with Rate-Distortion Optimization [54.184486302645716]
エンドツーエンドの速度歪みを最適化した光場画像圧縮のためのScene-Aware Neural Representationフレームワークを提案する。
シーン認識のために,SANRは階層的なシーンモデリングブロックを導入している。
実験の結果,SANRはHEVCに対する65.62%のBD節減率で,変形率に関する最先端技術よりも有意に優れていた。
論文 参考訳（メタデータ） (2025-10-17T16:00:43Z) - Dynamic Weight-based Temporal Aggregation for Low-light Video Enhancement [6.8703489542630445]
低照度ビデオの強化はノイズ、低コントラスト、色劣化のために困難である。
DWTA-Netは,短期・長期の時間的手がかりを利用した新しいフレームワークである。
DWTA-Netはノイズやアーティファクトを効果的に抑制し、最先端の手法に比べて優れた視覚的品質を提供する。
論文 参考訳（メタデータ） (2025-10-10T15:00:31Z) - LODGE: Level-of-Detail Large-Scale Gaussian Splatting with Efficient Rendering [75.67501939005119]
メモリ制約デバイス上での3次元ガウススプラッティングのための新しいレベル・オブ・ディーテール(LOD)法を提案する。
カメラ距離に基づいてガウスの最適部分集合を反復的に選択する。
本手法は,屋外(階層型3DGS)と屋内(Zip-NeRF)の両方で最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-05-29T06:50:57Z) - SpikeGen: Decoupled "Rods and Cones" Visual Representation Processing with Latent Generative Framework [53.27177454390712]
本研究では,現代の潜在空間生成フレームワークとマルチモーダル視覚入力を統合することで,人間の視覚システムをエミュレートすることを目的とする。
我々はSpikeGenと命名し、条件付き画像やビデオの劣化、スパイクストリームからの高密度フレーム再構成、高速シーンノベルビュー合成など、様々なスパイクRGBタスクのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2025-05-23T15:54:11Z) - SP-SLAM: Neural Real-Time Dense SLAM With Scene Priors [32.42183561158492]
本稿では,SP-SLAMを提案する。SP-SLAMは,リアルタイムにトラッキングとマッピングを行う新しいRGB-D SLAMシステムである。
SP-SLAMでは,実行中のすべての過去の入力フレームのポーズを連続的に最適化する,マッピングの効果的な最適化戦略を導入する。
その結果, 従来の手法と比較して, 高速に動作しながら, トラッキング精度, 復元精度が向上していることがわかった。
論文 参考訳（メタデータ） (2025-01-11T07:53:58Z) - Stable Diffusion is a Natural Cross-Modal Decoder for Layered AI-generated Image Compression [7.643300240138419]
我々は、複数の人間-理解可能なモダリティを組み込んだスケーラブルなクロスモーダル圧縮フレームワークを導入する。
我々のフレームワークは,高レベルなセマンティック情報を提供するセマンティック層からなる層状ビットストリームに画像をエンコードする。
提案手法は意味的および視覚的詳細の両方を巧みに復元し,極端に低速度でベースラインアプローチと競合する。
論文 参考訳（メタデータ） (2024-12-17T15:01:35Z) - T-Code: Simple Temporal Latent Code for Efficient Dynamic View Synthesis [10.80308375955974]
本稿では,時間次元のみの効率的な非結合遅延符号であるT-Codeについて述べる。
我々は,マルチカメラ設定のための高コンパクトなハイブリッドニューラルネットワークプリミティブ (HybridNGP) と,モノクロシナリオのためのT-Code (DNGP-T) を用いたニューラルネットワークプリミティブを提案する。
論文 参考訳（メタデータ） (2023-12-18T08:31:40Z) - Spatiotemporally Consistent HDR Indoor Lighting Estimation [66.26786775252592]
本研究では,屋内照明推定問題を解決するための物理動機付きディープラーニングフレームワークを提案する。
深度マップを用いた1枚のLDR画像から,任意の画像位置における空間的に一貫した照明を予測できる。
我々のフレームワークは、最先端の単一画像やビデオベースの手法と比較して、高画質で光リアリスティック照明予測を実現する。
論文 参考訳（メタデータ） (2023-05-07T20:36:29Z) - Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。
既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。
本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
論文 参考訳（メタデータ） (2022-06-14T03:38:08Z) - Object-based Illumination Estimation with Rendering-aware Neural
Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。
推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文 参考訳（メタデータ） (2020-08-06T08:23:19Z)
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。