論文の概要: HAFMat: Hybrid Priors Guided Adaptive Fusion for Single-Image Human Material Estimation

• arxiv url: http://arxiv.org/abs/2606.16323v1
• Date: Mon, 15 Jun 2026 07:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.144995
• Title: HAFMat: Hybrid Priors Guided Adaptive Fusion for Single-Image Human Material Estimation
• Title（参考訳）: HAFMat: 単一画像の人体推定のための適応核融合をガイドしたハイブリッドプライオリティ
• Authors: Yu Jiang, Jiahao Xia, Jiongming Qin, Jianchi Sun, Chunxia Xiao,
• Abstract要約: 単一画像の材料推定のためのハイブリッド・プライアグライダーフレームワークであるHAFMatを提案する。 本手法では,事前学習したモデルから,外観,体形状,構造,事前の物質予測など,補完的な手がかりを符号化するガイダンスマップを導入する。 この特性を利用するために,異なる段階のデコーダ機能と適応的に誘導機能を融合する多層適応特徴融合機構を設計する。
• 参考スコア（独自算出の注目度）: 29.582037739752735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physically based rendering (PBR) material estimation is a fundamental appearance decomposition task with broad applications in virtual content creation, relighting, and digital human rendering. However, estimating PBR materials from a single human image remains highly ill-posed, since illumination, geometry, and reflectance are heavily entangled in the observed appearance. To mitigate this ambiguity, we propose HAFMat, a hybrid-prior-guided framework for single-image human material estimation. Our method introduces guidance maps that encode complementary cues, including appearance, body geometry, structure, and prior material predictions from pre-trained models. A key observation is that these guidance cues are heterogeneous: some cues mainly provide texture-level constraints, while others convey higher-level semantic information. To exploit this property, we design a Multi-layer Adaptive Feature Fusion Mechanism, which adaptively fuses guidance features with decoder features at different stages. This design enables texture-dominant and semantic-dominant cues to guide material decoding at appropriate levels, leading to more accurate and physically plausible material estimation. Extensive experiments on both synthetic and real data demonstrate that our method achieves state-of-the-art performance in material estimation and downstream relighting.
• Abstract（参考訳）: 物理ベースレンダリング(PBR)は、仮想コンテンツ作成、リライティング、デジタルヒューマンレンダリングに広く応用された基本的な外見分解タスクである。 しかしながら、観察された外観において、照明、幾何学、反射性が強く絡み合っているため、単一の人間の画像からPBR物質を推定することは、非常に不適切である。 このあいまいさを軽減するために,単一画像の人体推定のためのハイブリッド誘導フレームワークHAFMatを提案する。 本手法では,事前学習したモデルから,外観,体形状,構造,事前の物質予測など,補完的な手がかりを符号化するガイダンスマップを導入する。 鍵となる観察は、これらのガイダンスキューは異種であり、一部のキューはテクスチャレベルの制約を主に提供し、他のキューは高レベルの意味情報を伝達する。 この特性を利用するために,異なる段階のデコーダ機能と適応的に誘導機能を融合する多層適応特徴融合機構を設計する。 この設計により、テクスチャに支配的かつセマンティックに支配的なキューが、適切なレベルで材料デコーディングをガイドし、より正確で物理的に妥当な材料推定が可能になる。 合成データと実データの両方に対する大規模な実験により,本手法が物質推定および下流照準における最先端性能を実現することを示す。

関連論文リスト

• MatE: Material Extraction from Single-Image via Geometric Prior [36.8533172704247]
  MatEは、制約のない実世界の条件下で撮影された単一の画像から、タイル状PBR材料を生成する新しい方法である。 提案手法の有効性とロバスト性を実証し,実世界の画像から現実的な素材を作成できるようにする。
  論文  参考訳（メタデータ） (2025-12-20T10:53:49Z)
• Intrinsic Image Fusion for Multi-View 3D Material Reconstruction [49.43509537480623]
  多視点画像から高品質な物理材料を再構成するIntrinsic Image Fusionを導入する。 本研究は, 合成シーンと実シーンの両方において, 素材のゆがみにおいて, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-15T10:05:59Z)
• MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
  より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。 本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における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） (2025-10-13T13:29:20Z)
• HumanMaterial: Human Material Estimation from a Single Image via Progressive Training [20.601524328351665]
  フルボディのヒューマン逆レンダリングは、任意の照明下で写真リアルなレンダリングを実現するために高品質な材料を取得することを目的としている。 以前の研究は、トレーニング用の素材データセットを構築することでこの問題を緩和したが、その単純化された材料データとレンダリング方程式は、レンダリング結果に制限されたリアリズム、特に皮膚のレンダリング結果をもたらす。 我々は,スキャンした実データと統計資料データに基づいて,高品質なデータセット(OpenHumanBRDF)を構築した。 正常な拡散アルベド, 粗さ, 特異アルベドに加えて, 特に皮膚において, レンダリング結果の現実性を高めるために, 変位および地下散乱を生じさせる。
  論文  参考訳（メタデータ） (2025-07-24T12:59:42Z)
• MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
  MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
  論文  参考訳（メタデータ） (2025-07-07T08:22:32Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• IntrinsicAnything: Learning Diffusion Priors for Inverse Rendering Under Unknown Illumination [37.96484120807323]
  本稿では,未知の静止照明条件下で撮影されたポーズ画像から対象物質を回収することを目的とする。 我々は、最適化プロセスの正規化のための生成モデルを用いて、その材料を事前に学習する。 実世界および合成データセットを用いた実験により,本手法が材料回収における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-04-17T17:45:08Z)
• 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)

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。