論文の概要: PIXLRelight: Controllable Relighting via Intrinsic Conditioning

• arxiv url: http://arxiv.org/abs/2605.18735v1
• Date: Mon, 18 May 2026 17:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.221805
• Title: PIXLRelight: Controllable Relighting via Intrinsic Conditioning
• Title（参考訳）: PIXLRelight: 本質的なコンディショニングによる制御可能なリライト
• Authors: Miguel Farinha, Ronald Clark,
• Abstract要約: 物理的に制御可能なシングルイメージリライトのためのフィードフォワードアプローチであるPIXLRelightを提案する。 PIXLRelightは任意のPBRスタイルの照明制御を可能にし、最先端の照明品質を実現し、1枚の画像の10分の1以下で動作する。
• 参考スコア（独自算出の注目度）: 9.829003409973486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PIXLRelight, a feed-forward approach for physically controllable single-image relighting. Existing methods either provide limited lighting control (e.g. through text or environment maps), accumulate errors when chaining inverse and forward rendering, or require costly per-image optimization. Our key idea is to bridge physically based rendering (PBR) and learned image synthesis through a shared intrinsic conditioning that can be obtained from either real photographs or PBR renders. At training time, paired multi-illumination photographs are decomposed into albedo, diffuse shading, and non-diffuse residuals, which condition the model. At inference time, the same conditioning is computed from a path-traced render of a coarse 3D reconstruction of the input under user-specified PBR lights. A transformer-based neural renderer then applies the target illumination to the source photograph, preserving fine image detail through a per-pixel affine modulation. PIXLRelight enables arbitrary PBR-style lighting control, achieves state-of-the-art relighting quality, and runs in under a tenth of a second per image. Code and models are available at https://mlfarinha.github.io/pixl-relight/.
• Abstract（参考訳）: 物理的に制御可能なシングルイメージリライトのためのフィードフォワードアプローチであるPIXLRelightを提案する。 既存の方法は、限られた照明制御(例えばテキストや環境マップ)を提供し、逆方向と前方方向のレンダリングをチェーンする際のエラーを蓄積する。 我々のキーとなる考え方は、物理ベースレンダリング(PBR)と学習された画像合成を、実際の写真またはPBRレンダリングから得ることができる共有固有の条件付けによってブリッジすることである。 トレーニング時に、ペア化された多重照明写真をアルベド、拡散シェーディング、非拡散残留物に分解し、モデルを条件とする。 推測時には、ユーザ指定のPBR照明の下で入力の粗い3D再構成のパストレーシングレンダリングから、同じ条件を演算する。 変換器ベースのニューラルレンダラーは、ターゲットの照明をソース写真に適用し、画素ごとのアフィン変調を通じて微細な画像の詳細を保存する。 PIXLRelightは任意のPBRスタイルの照明制御を可能にし、最先端の照明品質を実現し、1枚の画像の10分の1以下で動作する。 コードとモデルはhttps://mlfarinha.github.io/pixl-relight/.comで公開されている。

関連論文リスト

• Relightable Gaussian Splatting for Virtual Production Using Image-Based Illumination [5.673030658112764]
  仮想プロダクション(VP)は、背景画像と画像ベースの照明の両方を提供するためにLED壁を使用する。 逆レンダリングでは、物理ベースのレンダリングは環境マップを用いて、推定3次元幾何学と照明に依存している。 本稿では,ガウススプラッティングを用いた3次元再構成とリライティングのためのVP固有のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T16:04:06Z)
• TokenLight: Precise Lighting Control in Images using Attribute Tokens [36.19968483255676]
  我々は条件付き画像生成タスクとしてリライティングを定式化し、照明要素をエンコードする属性トークンを導入する。 このモデルは、グラウンドトルース照明アノテーションを用いた大規模な合成データセットで訓練されている。 我々は,室内照明器具の制御や編集環境の照明など,様々な照明作業におけるアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:50Z)
• 3DPR: Single Image 3D Portrait Relight using Generative Priors [101.74130664920868]
  3DPRは画像ベースのリライティングモデルであり、マルチビューのOne-Light-at-A-Time (OLAT)イメージから学習した生成的事前情報を活用する。 我々は,事前学習した画像データセットから学習した顔の幾何に先立ってリッチな情報を提供する,事前学習された生成ヘッドモデルの潜時空間を活用する。 我々のリフレクタンスネットワークは生成ヘッドモデルの潜在空間で動作し、比較的少数の光ステージ画像でリフレクタンスモデルを訓練することが可能である。
  論文  参考訳（メタデータ） (2025-10-17T17:37:42Z)
• DreamLight: Towards Harmonious and Consistent Image Relighting [41.90032795389507]
  ユニバーサル・イメージ・リライティングのためのDreamLightというモデルを導入する。 照明や色調の美的均一性を保ちつつ、被験者をシームレスに新しい背景に合成することができる。
  論文  参考訳（メタデータ） (2025-06-17T14:05:24Z)
• LightLab: Controlling Light Sources in Images with Diffusion Models [49.83835236202516]
  画像中の光源を微細かつパラメトリックに制御する拡散法を提案する。 我々は、光の線形性を利用して、ターゲット光源または周囲照明の制御された光の変化を描写した画像対を合成する。 提案手法は, ユーザの好みに基づいて, 従来の方法よりも優れた光編集結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-14T17:57:27Z)
• WildLight: In-the-wild Inverse Rendering with a Flashlight [77.31815397135381]
  本研究では、未知の環境光下での逆レンダリングのための実用的な測光ソリューションを提案する。 本システムは,スマートフォンで撮影した多視点画像のみを用いて,シーン形状と反射率を復元する。 提案手法は実装が容易で,セットアップも容易で,既存の逆レンダリング技術よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-24T17:59:56Z)
• Learning to Relight Portrait Images via a Virtual Light Stage and Synthetic-to-Real Adaptation [76.96499178502759]
  Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。 最近の手法は、高品質な結果を得るためにディープラーニングに依存している。 そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T17:15:58Z)
• Physically-Based Editing of Indoor Scene Lighting from a Single Image [106.60252793395104]
  本研究では,1つの画像から複雑な室内照明を推定深度と光源セグメンテーションマスクで編集する手法を提案する。 1)シーン反射率とパラメトリックな3D照明を推定する全体的シーン再構成法,2)予測からシーンを再レンダリングするニューラルレンダリングフレームワーク,である。
  論文  参考訳（メタデータ） (2022-05-19T06:44:37Z)
• Neural-PIL: Neural Pre-Integrated Lighting for Reflectance Decomposition [50.94535765549819]
  シーンをその形状、反射率、照明に分解することは、コンピュータビジョンとグラフィックスの基本的な問題である。 形状, BRDF, 画像ごとの照明を推定できる新しい反射率分解ネットワークを提案する。 我々の分解により、BRDFと光の推定がかなり良くなり、より正確なビュー合成とリライトが可能になります。
  論文  参考訳（メタデータ） (2021-10-27T12:17:47Z)

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。