論文の概要: WildRelight: A Real-World Benchmark and Physics-Guided Adaptation for Single-Image Relighting
- arxiv url: http://arxiv.org/abs/2605.11696v1
- Date: Tue, 12 May 2026 07:53:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.680669
- Title: WildRelight: A Real-World Benchmark and Physics-Guided Adaptation for Single-Image Relighting
- Title（参考訳）: WildRelight:シングルイメージリライトのための実世界のベンチマークと物理誘導型適応
- Authors: Lezhong Wang, Mehmet Onurcan Kaya, Siavash Bigdeli, Jeppe Revall Frisvad,
- Abstract要約: WildRelightは、単一イメージのリライトモデルを評価するために特別に作成された、最初のWildデータセットです。
このデータセットにより、合成モデルが実世界の統計とリアルタイムで一致し、難解なsim-to-real課題を抽出可能な自己管理タスクに変換できることが示される。
- 参考スコア（独自算出の注目度）: 1.4145309506833206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent single-image relighting methods, powered by advanced generative models, have achieved impressive photorealism on synthetic benchmarks. However, their effectiveness in the complex visual landscape of the real world remains largely unverified. A critical gap exists, as current datasets are typically designed for multi-view reconstruction and fail to address the unique challenges of single-image relighting. To bridge this synthetic-to-real gap, we introduce WildRelight, the first in-the-wild dataset specifically created for evaluating single-image relighting models. WildRelight features a diverse collection of high-resolution outdoor scenes, captured under strictly aligned, temporally varying natural illuminations, each paired with a high-dynamic-range environment map. Using this data, we establish a rigorous benchmark revealing that state-of-the-art models trained on synthetic data suffer from severe domain shifts. The strictly aligned temporal structure of WildRelight enables a new paradigm for domain adaptation. We demonstrate this by introducing a physics-guided inference framework that leverages the captured natural light evolution as a self-supervised constraint. By integrating Diffusion Posterior Sampling (DPS) with temporal Sampling-Aware Test-Time Adaptation (TTA), we show that the dataset allows synthetic models to align with real-world statistics on-the-fly, transforming the intractable sim-to-real challenge into a tractable self-supervised task. The dataset and code will be made publicly available to foster robust, physically-grounded relighting research.
- Abstract（参考訳）: 先進的な生成モデルを利用した最近の単一画像のリライト法は、合成ベンチマークで印象的なフォトリアリズムを実現している。
しかし、現実世界の複雑な視覚的景観におけるそれらの効果は、ほとんど検証されていない。
現在のデータセットは一般的にマルチビューの再構築用に設計されており、シングルイメージのリライトというユニークな課題に対処できないため、大きなギャップがある。
この合成と現実のギャップを埋めるために、私たちはWildRelightを紹介します。
WildRelightは、厳密な整列と時間的に変化する自然の照度の下で撮影され、それぞれに高ダイナミックレンジの環境マップが組み合わされている、様々な高解像度屋外シーンのコレクションを特徴としている。
このデータを用いて、我々は、合成データに基づいてトレーニングされた最先端のモデルが、厳しいドメインシフトに悩まされていることを明らかにする厳密なベンチマークを確立する。
WildRelightの厳密に整合した時間構造は、ドメイン適応の新しいパラダイムを可能にします。
自然光の進化を自己監督的制約として活用する物理誘導推論フレームワークを導入することでこれを実証する。
拡散後サンプリング (DPS) と時間サンプリング対応テスト時間適応 (TTA) を組み合わせることで, 合成モデルと実世界の統計情報との整合性を実現し, 難解なsim-to-real課題を抽出可能な自己管理タスクに変換することを示す。
データセットとコードは公開され、堅牢で物理的に地味なリライト研究を促進する。
関連論文リスト
- Learning a Delighting Prior for Facial Appearance Capture in the Wild [34.89149093909672]
我々は、最適化を制約する前として、パラダイムを強力な喜びネットワークのトレーニングにシフトすることを提案する。
学習可能なソース認識トークンにコアネットワークを条件付けすることで、データセット固有のスタイルと物理的な喜びの原則を分離する。
マルチビューNeRSembleデータセットを,大規模な4K解像度リライトブルスキャンコレクションであるNeRSemble-Scanに変換する。
論文 参考訳（メタデータ） (2026-05-07T03:43:24Z) - Toward Real-World Adoption of Portrait Relighting via Hybrid Domain Knowledge Fusion [17.59278811759214]
本稿では,合成,ワンライト・アット・ア・タイム(OLAT),および実世界のデータセットの特殊強度を,コンパクトなモデルに融合させるパラダイムを提案する。
提案手法は, ドメイン認識適応により強化された先行モデルと, 軽量な学生モデルに付加された知識蒸留を特徴とする。
トレーニングパイプラインをサポートするために,多種多様な地中構造を持つ大規模で高忠実な合成データセットを構築した。
論文 参考訳（メタデータ） (2026-04-25T01:16:11Z) - PRISM: Rethinking Scattered Atmosphere Reconstruction as a Unified Understanding and Generation Model for Real-world Dehazing [22.670768613999787]
PRISMは、大気散乱モデルの下で透明なシーンと散乱変数を共同で再構成する物理的に構造化されたフレームワークである。
我々は、オンラインの非一様ヘイズ合成パイプラインと選択的な自己蒸留適応スキームを設計する。
実世界のベンチマーク実験は、PRISMがRIDタスクの最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-04-08T13:01:30Z) - Continuous Exposure-Time Modeling for Realistic Atmospheric Turbulence Synthesis [65.19146708498346]
大気の乱流は、幾何学的なワープと露光時間依存のぼかしを導入することで、長距離イメージングを著しく劣化させる。
既存の乱流効果の方法は、しばしばぼやけと露出時間の関係を単純化する。
我々は,連続露光時間モデリングを明示的に組み込んだ大規模合成乱流データセットET-Turbを構築した。
論文 参考訳（メタデータ） (2026-03-02T02:58:44Z) - Relightable Holoported Characters: Capturing and Relighting Dynamic Human Performance from Sparse Views [82.15089065452081]
我々は、フルボディで高ダイナミックな人間の自由視点レンダリングとリライティングのための個人固有の方法であるRelightable Holoported Characters (RHC)を提案する。
我々のトランスフォーマーベースのRelightNetは、1つのネットワークパス内での出現を予測し、コストのかかるOLATベースのキャプチャと生成を回避する。
提案手法の視覚的忠実度と照明再現性について,最先端の手法と比較して実験を行った。
論文 参考訳（メタデータ） (2025-11-29T00:17:34Z) - LuxDiT: Lighting Estimation with Video Diffusion Transformer [66.60450792095901]
単一の画像やビデオからシーンライティングを推定することは、コンピュータビジョンとグラフィックスにおいて長年の課題である。
本稿では,映像拡散変換器を微調整し,視覚入力を前提としたHDR環境マップを生成するLuxDiTを提案する。
論文 参考訳（メタデータ） (2025-09-03T19:59:20Z) - Relighting from a Single Image: Datasets and Deep Intrinsic-based Architecture [0.7499722271664147]
単一画像シーンのリライティングは、入力画像の現実的な新しいバージョンを生成し、新たな目標光条件で照らされるようにすることを目的としている。
そこで本研究では,内在成分の基底的真理を持つ合成データセットと,実験条件下で収集した実データセットの2つの新しいデータセットを提案する。
提案手法は,既存のデータセットと新たに開発したデータセットの両方でテストした結果,最先端の手法よりも性能が優れている。
論文 参考訳（メタデータ） (2024-09-27T14:15:02Z) - DIB-R++: Learning to Predict Lighting and Material with a Hybrid
Differentiable Renderer [78.91753256634453]
そこで本研究では,単体画像から固有物体特性を推定する難題について,微分可能量を用いて検討する。
そこで本研究では、スペクトル化とレイトレーシングを組み合わせることで、これらの効果をサポートするハイブリッド微分可能なDIBR++を提案する。
より高度な物理ベースの微分可能値と比較すると、DIBR++はコンパクトで表現力のあるモデルであるため、高い性能を持つ。
論文 参考訳（メタデータ） (2021-10-30T01:59:39Z) - Crowdsampling the Plenoptic Function [56.10020793913216]
このようなデータから時間変動照明下での新しいビュー合成手法を提案する。
本稿では,新しいDeepMPI表現について紹介する。
本手法は従来のMPI法と同等のパララックスとビュー依存効果を合成し, 反射率の変化と光の時間変化を同時に補間する。
論文 参考訳（メタデータ） (2020-07-30T02:52:10Z) - Deep Lighting Environment Map Estimation from Spherical Panoramas [0.0]
本稿では,単一のLDR単分子球状パノラマからHDR照明環境マップを推定するデータ駆動モデルを提案する。
データジェネレータと監視機構として画像ベースのリライティングを活用するために,表面形状の可用性を活用する。
論文 参考訳（メタデータ） (2020-05-16T14:23:05Z)
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。