論文の概要: F-RNG: Feed-Forward Relightable Neural Gaussians

• arxiv url: http://arxiv.org/abs/2605.25975v2
• Date: Thu, 28 May 2026 13:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.645634
• Title: F-RNG: Feed-Forward Relightable Neural Gaussians
• Title（参考訳）: F-RNG:フィードフォワード再生型ニューラルガウス
• Authors: Guangming Fu, Jiahui Fan, Jian Yang, Miloš Hašan, Beibei Wang,
• Abstract要約: 本稿では,スパースビューからの3DGSを直接生成するフィードフォワードフレームワークF-RNGを提案する。 F-RNGは25倍高速なリライティングを実現し、優れた品質(+2.0dB)を実現した
• 参考スコア（独自算出の注目度）: 15.772361203249767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capturing relightable 3D assets from real-world objects is a widely researched problem. Several per-scene optimization-based methods, based on 3D Gaussian splatting (3DGS), support relighting; however, they usually require dense input views, and their overfitting nature makes it difficult to generalize across scenes. Unlike per-scene optimization methods, generalized feed-forward models can directly reconstruct Gaussians from sparse input views. However, the resulting assets have baked-in illumination and cannot be easily used for relighting. In this paper, we present F-RNG, a feed-forward framework that directly generates relightable 3DGS assets from sparse-view inputs. Training such a model from scratch can require massive data and computing resources, and it is especially challenging to generate relightable assets in a feed-forward manner with acceptable cost. We develop F-RNG upon an existing large reconstruction model (LRM) to extract relightable representations, while also utilizing priors from an intrinsic decomposition model (IDM). Specifically, we first introduce a latent-interpolated fine-grained geometry synthesis to enhance the LRM's geometry representation. Second, we propose a prior-guided relightable appearance distillation to extract relightable neural representations by incorporating IDM priors. Finally, a universal neural renderer enables flexible and high-fidelity relighting. F-RNG requires neither re-training nor fine-tuning of the underlying LRMs, thus can automatically benefit from better LRMs and IDMs in the future. With only small networks that can be trained with affordable data and computational resources, F-RNG avoids the repetitive inference of large models under different light conditions. By comparison to the state-of-the-art LRM-based relighting method, F-RNG achieves ~25x faster relighting, as well as superior quality (~+2.0 dB).
• Abstract（参考訳）: 現実世界の物体から光り輝く3Dアセットを捕獲することは、広く研究されている問題である。 3Dガウススプラッティング(3DGS)をベースとしたシーンごとの最適化手法がいくつかあるが、通常は高密度な入力ビューを必要とするが、その過度な性質はシーン全体の一般化を困難にしている。 シーンごとの最適化方法とは異なり、一般化されたフィードフォワードモデルはガウスをスパース入力ビューから直接再構成することができる。 しかし、その結果の資産は照明を焼き込んでおり、容易には照明に利用できない。 本稿では,スパースビューからの3DGSを直接生成するフィードフォワードフレームワークであるF-RNGを提案する。 このようなモデルをスクラッチからトレーニングするには膨大なデータと計算資源が必要であり、特に許容コストでフィードフォワードで再生可能な資産を生成することは困難である。 本研究では,既存の大規模再構成モデル (LRM) に基づいてF-RNGを開発し,本質的な分解モデル (IDM) の先行データを活用する。 具体的には, LRMの幾何表現を強化するために, 潜時補間された微粒な幾何合成を導入する。 第2に, IDM前駆体を組み込んで, 導出性神経表現を抽出するために, 先行誘導型可照性外見蒸留法を提案する。 最後に、ユニバーサルニューラルネットワークレンダラーは、フレキシブルで高忠実なリライトを可能にする。 F-RNG は LRM の再訓練も微調整も必要とせず、将来の LRM や IDM の利点を享受できる。 安価なデータと計算資源で訓練できる小さなネットワークだけで、F-RNGは異なる光条件下での大規模モデルの反復推論を避けることができる。 最先端の LRM ベースのリライティング法と比較すると、F-RNG はより高速なリライティングと優れた品質 (~2.0 dB) を実現している。

関連論文リスト

• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• PBR-NeRF: Inverse Rendering with Physics-Based Neural Fields [49.6405458373509]
  シーン形状,材料,照明を共同で推定できる逆レンダリング(IR)モデルを提案する。 本手法は, 材料推定を必要とする他の逆レンダリングおよび3次元再構成フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-12T19:00:21Z)
• RelitLRM: Generative Relightable Radiance for Large Reconstruction Models [52.672706620003765]
  本稿では,新しい照明下での3Dオブジェクトの高品質なガウススプレイティング表現を生成するためのRelitLRMを提案する。 複雑なキャプチャと遅い最適化を必要とする従来の逆レンダリングとは異なり、RelitLRMはフィードフォワードトランスフォーマーベースのモデルを採用している。 スパースビューフィードフォワードRelitLRMは、最先端の密集ビュー最適化ベースラインに対して、競争力のあるリライティング結果を提供する。
  論文  参考訳（メタデータ） (2024-10-08T17:40:01Z)
• GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
  3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。 我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。 フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-26T02:35:09Z)

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。