論文の概要: Extracting Neural Materials from Multi-view Images

• arxiv url: http://arxiv.org/abs/2606.26715v2
• Date: Fri, 26 Jun 2026 07:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 13:57:07.333684
• Title: Extracting Neural Materials from Multi-view Images
• Title（参考訳）: 多視点画像からニューラルネットワークを抽出する
• Authors: Kim Youwang, Jon Hasselgren, Peter Kocsis, Andrea Weidlich, Tae-Hyun Oh, Jacob Munkberg,
• Abstract要約: 画像から空間的に変化するニューラル物質を抽出する,微分可能な逆レンダリング手法であるNeuMatExを提案する。 我々は、画像から初期色、ニューラルネットワーク潜伏剤、およびアレタリック不確実性ガイドを直接予測する大規模材料再構成モデル(LMRM)を訓練する。 合成および実資産の実験により、NeuMatExはPBR法よりも優れた視覚的品質と物質分解を有する複雑な物質を抽出することが示された。
• 参考スコア（独自算出の注目度）: 29.31923332118122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural materials can represent complex specular reflections and scattering effects in a compact, universal basis. However, acquiring and authoring such materials remains challenging. We present NeuMatEx, a differentiable inverse rendering method for extracting spatially varying neural materials from images. The nonlinear structure of neural material latent spaces makes optimization with naive inverse rendering infeasible. To address this, we train a Large Material Reconstruction Model (LMRM) that directly predicts initialbase color, neural material latents, and aleatoric uncertainty guides from images. This material prior provides a good initialization and better constrains our subsequent optimization using inverse path tracing. The predicted uncertainty further helps by anchoring high-confidence regions more tightly to the LMRM prediction, preventing lighting and complex specular effects from being baked into materials. Experiments on synthetic and real assets show that NeuMatEx extracts complex materials with better visual quality and material decomposition than PBR-based methods.
• Abstract（参考訳）: ニューラルネットワークは複雑なスペクトル反射と散乱効果をコンパクトで普遍的に表現することができる。 しかし、これらの資料の取得と認可は依然として困難である。 画像から空間的に変化するニューラル物質を抽出する,微分可能な逆レンダリング手法であるNeuMatExを提案する。 ニューラルマテリアル潜在空間の非線形構造は、単純逆レンダリングで最適化できる。 これを解決するために,画像から初期色,神経材料潜伏量,およびアレタリック不確実性ガイドを直接予測する大規模材料再構成モデル(LMRM)を訓練する。 この素材は前もって優れた初期化を提供し、その後の最適化を逆パストレースを使ってよりよく制約します。 予測された不確実性は、LMRM予測により厳密な高信頼領域を固定し、光や複雑なスペクトル効果が材料に焼かれるのを防ぐことでさらに有効である。 合成および実資産の実験により、NeuMatExはPBR法よりも優れた視覚的品質と物質分解を有する複雑な物質を抽出することが示された。

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)
• OMG: Opacity Matters in Material Modeling with Gaussian Splatting [4.580002425879323]
  逆レンダリングはコンピュータビジョンとグラフィックスにおける長年の問題である。 ニューラルレンダリングの最近の進歩は、フォトリアリスティックでプラウシブルな逆レンダリング結果を可能にする。 3D Gaussian Splattingの出現は、リアルタイムレンダリングの可能性を示すことによって、それを次のレベルへと引き上げた。
  論文  参考訳（メタデータ） (2025-02-16T04:18:41Z)
• OpenMaterial: A Large-scale Dataset of Complex Materials for 3D Reconstruction [55.052637670485716]
  材料認識型3D再構成のための大規模半合成データセットであるOpenMaterialを紹介する。 導体、誘電体、プラスチックを含む295の異なる材料にまたがる1,001の物体と、その粗い変種が含まれ、714の異なる照明条件下で捕獲される。 マルチビュー画像、3D形状モデル、カメラポーズ、深度マップ、およびオブジェクトマスクを提供し、挑戦的な材料上で3D再構成を評価するための最初の広範囲なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:17Z)
• 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)
• Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
  室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。 1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。 提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
  論文  参考訳（メタデータ） (2023-12-19T15:56:19Z)
• Diffusion Posterior Illumination for Ambiguity-aware Inverse Rendering [63.24476194987721]
  画像からシーン特性を推定する逆レンダリングは、困難な逆問題である。 既存のソリューションの多くは、プリエントを逆レンダリングパイプラインに組み込んで、プラウシブルなソリューションを奨励している。 本稿では,自然照明マップ上で事前学習した確率拡散モデルを最適化フレームワークに統合する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-30T12:39:28Z)

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。