論文の概要: FreeLit: Paired-Free Indoor Relighting via Physics-Guided Diffusion
- arxiv url: http://arxiv.org/abs/2607.13656v1
- Date: Wed, 15 Jul 2026 10:03:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.73937
- Title: FreeLit: Paired-Free Indoor Relighting via Physics-Guided Diffusion
- Title（参考訳）: FreeLit:物理誘導拡散によるペアレス屋内リライティング
- Abstract要約: FreeLitは、コントロール可能な屋内リライトのためのペアフリーフレームワークである。
光源の位置、色、強度を明示的に操作する。
安定で、物理的に一貫性があり、制御可能なリライトを実現する。
- 参考スコア（独自算出の注目度）: 12.521086833681077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-based indoor scene relighting remains challenging due to the complex interplay between cluttered geometry and local illumination, requiring precise modeling of light position, color, and intensity. Existing data-driven methods implicitly learn this relationship via paired multi-illumination datasets. Nevertheless, this data is costly and fails to scale, which is essential for accurate light-source-level control. Conversely, inverse-rendering methods reduce the data dependency by incorporating physical priors; however, they lack the robustness of intrinsic estimation in challenging conditions. In this paper, we present FreeLit, a paired-free framework for controllable indoor relighting that explicitly manipulates light-source location, color, and intensity. Instead of relying on paired supervision, we construct a physics-guided illumination prior from intrinsic scene properties, generating a structured lightmap along with a pseudo-relit image to guide diffusion-based synthesis. To address instability in intrinsic estimation, especially in low-light scenes, we introduce a relighting-guided intrinsic stabilization strategy that enforces illumination-invariant reflectance through structure-aware distillation and consistency constraints. Furthermore, we propose controllability-oriented evaluation metrics to quantify alignment with user-specified illumination color and intensity. Experimental results demonstrate that FreeLit achieves stable, physically consistent, and controllable relighting, with improved robustness in low-light indoor scenes, without requiring paired supervision.
- Abstract（参考訳）: 画像に基づく屋内シーンのリライティングは、光の位置、色、強度を正確にモデル化する必要があるため、散らばった幾何学と局所照明との複雑な相互作用のため、依然として困難である。
既存のデータ駆動手法は、ペア化されたマルチイルミネーションデータセットを通じて、この関係を暗黙的に学習する。
それでも、このデータはコストがかかり、スケールできないため、正確な光源レベルの制御には不可欠である。
逆に、逆レンダリング法は、物理的前提を組み込むことでデータ依存を減らすが、困難条件下での本質的な推定の頑健さは欠如している。
本稿では,光源の位置,色,強度を明示的に操作する,制御可能な室内照明用フリーフレームワークFreeLitを提案する。
そこで本研究では,物理誘導照明を内在的なシーン特性に先立って構築し,擬似リライト画像とともに構成された光マップを生成し,拡散に基づく合成を導出する。
低照度シーンにおける内在的推定の不安定性に対処するため, 構造認識蒸留と整合性制約による照度不変反射を強制する照度誘導型内在的安定化戦略を導入する。
さらに、ユーザが指定した照明色と強度とのアライメントを定量化するための可制御性指向評価指標を提案する。
実験により、FreeLitは、ペアの監督を必要とせず、低照度屋内シーンでの堅牢性を向上し、安定で、物理的に一貫性があり、制御可能なリライトを実現していることが示された。
関連論文リスト
- Learning Structural Illumination for Unsupervised Low-light Enhancement [8.895269493077585]
本稿では,相対照明構造を絶対露光から分離する相対照明構造推定(RISE)フレームワークを提案する。
シーン適応型露光調整のために,各入力から導出したデュアル・メータリング露光基準を提案する。
RISEは、教師なしLLIE法における最先端性能を実現し、視覚的に自然な結果を生成する。
論文 参考訳（メタデータ） (2026-08-08T14:27:56Z) - LightMover: Generative Light Movement with Color and Intensity Controls [49.259165408623915]
LightMoverは、単一のイメージで制御可能な光操作のためのフレームワークである。
ビデオ拡散先行は、シーンを再レンダリングすることなく、物理的に妥当な照明変化をもたらす。
論文 参考訳（メタデータ） (2026-03-28T09:51:59Z) - Learning Latent Proxies for Controllable Single-Image Relighting [29.76860042350802]
シングルイメージのリライトは非常に制約の少ない。
物理的プリエントを2つのレベルで統合するLightCtrlを導入する。
また、大規模なオブジェクトレベルのデータセットであるScaLightも紹介します。
論文 参考訳（メタデータ） (2026-03-16T17:16:59Z) - Light-X: Generative 4D Video Rendering with Camera and Illumination Control [52.87059646145144]
Light-Xは、視点制御と照明制御の両方でモノクロビデオから制御可能なレンダリングを可能にする、ビデオ生成フレームワークである。
マルチビューとマルチイルミネーションのペアビデオの欠如に対処するために,逆マッピングを備えた劣化ベースのパイプラインであるLight-Synを導入する。
論文 参考訳（メタデータ） (2025-12-04T18:59:57Z) - GLOW: Global Illumination-Aware Inverse Rendering of Indoor Scenes Captured with Dynamic Co-Located Light & Camera [18.90141473604964]
室内シーンの逆レンダリングは、反射率と照明のあいまいさのため、依然として困難である。
GLOWは、これらの課題に対処するために設計された、Global Illumination-aware Inverse Renderingフレームワークである。
論文 参考訳（メタデータ） (2025-11-28T03:24:12Z) - LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement [65.06462316546806]
低照度画像強調は、高品質な色とテクスチャを維持しながら照明を改善することを目的としている。
既存の手法では、低照度条件下での画素レベルの情報劣化により、信頼性の高い特徴表現の抽出に失敗することが多い。
低照度向上のための量子化・適応型特徴学習を実現する新しいフレームワークLightQANetを提案する。
論文 参考訳（メタデータ） (2025-10-16T14:54:42Z) - After the Party: Navigating the Mapping From Color to Ambient Lighting [48.01497878412971]
CL3ANは,この種の大規模かつ高解像度なデータセットである。
先導的なアプローチは、照明の不整合、テクスチャリーク、色歪みなどのアーティファクトをしばしば生み出す。
我々は、新しい学習フレームワークを通じて、そのような所望の分解を実現する。
論文 参考訳（メタデータ） (2025-08-04T08:07:03Z) - LightLab: Controlling Light Sources in Images with Diffusion Models [49.83835236202516]
画像中の光源を微細かつパラメトリックに制御する拡散法を提案する。
我々は、光の線形性を利用して、ターゲット光源または周囲照明の制御された光の変化を描写した画像対を合成する。
提案手法は, ユーザの好みに基づいて, 従来の方法よりも優れた光編集結果が得られることを示す。
論文 参考訳（メタデータ） (2025-05-14T17:57:27Z) - DifFRelight: Diffusion-Based Facial Performance Relighting [12.909429637057343]
拡散に基づく画像から画像への変換を用いた,自由視点顔の表情のリライティングのための新しいフレームワークを提案する。
我々は、正確な照明制御のための拡散モデルを訓練し、フラットライト入力からの顔画像の高忠実度化を可能にする。
このモデルは、目の反射、地表面散乱、自影、半透明といった複雑な照明効果を正確に再現する。
論文 参考訳（メタデータ） (2024-10-10T17:56:44Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。
大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
論文 参考訳（メタデータ） (2021-06-24T15:19:42Z)
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。