論文の概要: BRDFusion: Physics Meets Generation for Urban Scene Inverse Rendering
- arxiv url: http://arxiv.org/abs/2606.17049v1
- Date: Mon, 15 Jun 2026 17:58:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:05.191
- Title: BRDFusion: Physics Meets Generation for Urban Scene Inverse Rendering
- Title（参考訳）: BRDFusion:物理は都市景観の逆レンダリングを創出する
- Authors: Yi-Ruei Liu, Jie-Ying Lee, Zheng-Hui Huang, Yu-Lun Liu, Chih-Hao Lin,
- Abstract要約: キャプチャービデオからの都市シーンの逆レンダリングは、コンテンツ作成や自律運転シミュレーションなど、多数のアプリケーションを可能にする。
本稿では,逆レンダリングと前方レンダリングの2つの補完モデルを組み合わせた統合フレームワークであるBRDFusionを提案する。
- 参考スコア（独自算出の注目度）: 6.454961474516282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inverse rendering of urban scenes from captured videos enables numerous applications, including content creation and autonomous driving simulation. Physically-based rendering methods follow and control lighting physics, but suffer from reconstruction and rendering artifacts. While generative models produce realistic videos, they offer limited consistency and controllability. We present BRDFusion, a unified framework that combines two complementary models for inverse and forward rendering. Specifically, BRDFusion recovers explicit, consistent scene properties with physical modeling and alleviates optimization ambiguity with generative priors. During forward rendering, the physical model provides controllable rendering from the scene configuration, and the generative model denoises and fixes artifacts. Therefore, our method produces high-quality videos while allowing precise control, outperforming baselines in real and synthetic scenes. Moreover, BRDFusion supports novel-view relighting, night simulation, and dynamic object insertion/editing. Project page: https://shigon255.github.io/brdfusion-page/
- Abstract（参考訳）: キャプチャービデオからの都市シーンの逆レンダリングは、コンテンツ作成や自律運転シミュレーションなど、多数のアプリケーションを可能にする。
物理ベースのレンダリング手法は照明物理学を追従し、制御するが、復元とレンダリングの成果物に悩まされる。
生成モデルはリアルなビデオを生成するが、一貫性と制御性は限られている。
本稿では,逆レンダリングと前方レンダリングの2つの補完モデルを組み合わせた統合フレームワークであるBRDFusionを提案する。
具体的には、BRDFusionは物理的モデリングによって明示的で一貫したシーン特性を回復し、生成前の曖昧さを緩和する。
前方レンダリングの間、物理モデルはシーン構成から制御可能なレンダリングを提供し、生成モデルはアーティファクトを装飾し修正する。
そこで本手法は,実シーンと合成シーンのベースラインを精度よく制御しながら,高品質な映像を制作する。
さらに、BRDFusionは、新しいビューのリライト、夜間シミュレーション、動的オブジェクト挿入/編集をサポートする。
プロジェクトページ:https://shigon255.github.io/brdfusion-page/
関連論文リスト
- Physical Simulator In-the-Loop Video Generation [96.87054314612142]
Physical Simulator In-the-loop Video Generation (PSIVG)は、物理シミュレータをビデオ拡散プロセスに統合する新しいフレームワークである。
PSIVGは、視覚的品質と多様性を保ちながら、現実世界の物理に忠実なビデオを制作する。
論文 参考訳（メタデータ） (2026-03-06T15:48:25Z) - DrivingGaussian++: Towards Realistic Reconstruction and Editable Simulation for Surrounding Dynamic Driving Scenes [49.23098808629567]
DrivingGaussian++は、自律運転シーンをリアルに再構成し、制御可能な編集を行うための効率的なフレームワークである。
テクスチャ修正、天気予報、オブジェクト操作など、ダイナミックな運転シーンのためのトレーニング不要のコントロール可能な編集をサポートする。
提案手法は,動的物体の運動軌跡を自動的に生成し,最適化過程における現実性を高める。
論文 参考訳（メタデータ） (2025-08-28T16:22:54Z) - TC-Light: Temporally Coherent Generative Rendering for Realistic World Transfer [47.22201704648345]
照明とテクスチャ編集はワールド・トゥ・ワールド・トランスファーにとって重要な次元である。
既存の技術は、ビデオのリライティングモデルや条件付き世界生成モデルなどのトランスファーを実現するために、入力ビデオを生成的に再レンダリングする。
我々はこれらの問題を克服するための新しい生成計算であるTC-Lightを提案する。
論文 参考訳（メタデータ） (2025-06-23T17:59:58Z) - DiffusionRenderer: Neural Inverse and Forward Rendering with Video Diffusion Models [83.28670336340608]
逆レンダリングとフォワードレンダリングの二重問題に対処するニューラルアプローチであるDiffusionRendererを導入する。
本モデルは,リライティング,素材編集,現実的なオブジェクト挿入など,単一のビデオ入力から現実的な応用を可能にする。
論文 参考訳（メタデータ） (2025-01-30T18:59:11Z) - StreetCrafter: Street View Synthesis with Controllable Video Diffusion Models [76.62929629864034]
我々は,LDARポイントクラウドレンダリングをピクセルレベルの条件として利用する,制御可能なビデオ拡散モデルであるStreetCrafterを紹介する。
さらに、画素レベルのLiDAR条件を利用することで、ターゲットシーンに対して正確なピクセルレベルの編集を行うことができる。
我々のモデルは視点変化を柔軟に制御し、レンダリング領域を満たすためのビューを拡大する。
論文 参考訳（メタデータ） (2024-12-17T18:58:55Z) - UrbanIR: Large-Scale Urban Scene Inverse Rendering from a Single Video [22.613946218766802]
UrbanIRは、1つのビデオで様々な照明条件下でのシーンのリアルで自由視点のレンダリングを可能にする新しい逆グラフィックモデルである。
形状、アルベド、可視性、そして太陽と空の照明は、車載カメラなど、幅広いベースラインのビデオから正確に推測する。
UrbanIRはこれらの問題に、逆グラフィック推論とレンダリングアーティファクトのエラーを減らす新たな損失で対処する。
論文 参考訳（メタデータ） (2023-06-15T17:59:59Z)
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。