論文の概要: Diffusion-Based Material Regularization for Physics-Based Inverse Rendering

• arxiv url: http://arxiv.org/abs/2606.31065v1
• Date: Tue, 30 Jun 2026 02:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.047586
• Title: Diffusion-Based Material Regularization for Physics-Based Inverse Rendering
• Title（参考訳）: 拡散に基づく逆レンダリングのための材料規則化
• Abstract要約: 多視点画像から物理ベースの3Dアセットを再構築することは、コンピュータグラフィックスとビジョンにおける中核的な問題である。 拡散予測がほぼ一定である表面領域上での最適材料の偏差をペナライズする正規化器を導入する。 本手法は,再現精度と照明品質の両方において,最先端のベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 15.757134066510135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing physics-based 3D assets -- geometry, materials, and illumination -- from multi-view images is a core problem in computer graphics and vision, and a prerequisite for realistic relighting and editing. Physics-based inverse rendering offers an accurate image-formation model, but is severely underconstrained: without strong priors, illumination is baked into materials, and reconstructions generalize poorly to novel views and lighting. Data-driven diffusion models, in contrast, predict visually plausible materials, yet their predictions rarely satisfy the rendering equation and are not directly usable for physics-based rendering. We bridge these two paradigms rather than replacing either. Our key idea is to treat the predictions of a state-of-the-art diffusion model not as target material values but as a similarity kernel for optimization: we introduce a regularization loss that penalizes deviations in the optimized material over surface regions where the diffusion predictions are near-constant, while leaving the optimization free to match the input images. Built on this regularizer, our end-to-end pipeline jointly reconstructs geometry, materials, and illumination, yielding high-quality assets that drop into standard rendering pipelines and relight faithfully. On the Synthetic4Relight, Stanford-ORB, and DTC-Synthetic datasets, our method significantly outperforms state-of-the-art baselines in both reconstruction accuracy and relighting quality.
• Abstract（参考訳）: 多視点画像から物理に基づく3Dアセット(幾何学、材料、照明)を再構成することは、コンピュータグラフィックスとビジョンの中核的な問題であり、リアルなリライティングと編集の必要条件である。 物理ベースの逆レンダリングは正確な画像形成モデルを提供するが、厳しい制約下にある。 対照的に、データ駆動拡散モデルは、視覚的に可視な物質を予測するが、それらの予測はレンダリング方程式を満たすことはめったになく、物理ベースのレンダリングでは直接利用できない。 どちらも置き換えるのではなく、これら2つのパラダイムをブリッジします。 我々のキーとなる考え方は、ターゲットとなる材料値ではなく、最適化のための類似カーネルとしての最先端拡散モデルの予測を扱うことである。 このレギュラーライザをベースとして、私たちのエンドツーエンドパイプラインは、幾何学、材料、照明を共同で再構築し、高品質な資産を標準のレンダリングパイプラインに落とし、忠実にリライトします。 Synthetic4Relight、Stanford-ORB、DTC-Syntheticのデータセットでは、再現精度と照明品質の両方において、最先端のベースラインを著しく上回っている。

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)
• 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)
• 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)
• 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。