論文の概要: Feature-Guided Diffusion for Non-Differentiable Inverse Rendering

• arxiv url: http://arxiv.org/abs/2607.17411v1
• Date: Sun, 19 Jul 2026 21:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.461678
• Title: Feature-Guided Diffusion for Non-Differentiable Inverse Rendering
• Title（参考訳）: 微分不可能な逆レンダリングのための特徴誘導拡散
• Abstract要約: 逆レンダリングは伝統的に微分可能と勾配降下によって解決される。 逆レンダリングのための完全なブラックボックスフレームワークであるFeature-Informed Evolution (FIDE)を提案する。
• 参考スコア（独自算出の注目度）: 7.921541321170412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse rendering is traditionally solved via differentiable renderers and gradient descent, which requires substantial problem-specific engineering and is prone to getting stuck in local minima due to ambiguities. Derivative-free approaches alleviate engineering requirements, but often heavily depend on a good problem initialization. In this work, we propose Feature-Informed Diffusion Evolution (FIDE), a fully black-box framework that requires no gradients or specific initialization: the renderer is treated as an opaque function whose only requirement is to produce images. Our key insight is feature guiding: rather than reducing each candidate rendering to a scalar loss value, we use a Vision Transformer (ViT) to extract dense visual features from it. We subsequently use these features to train a diffusion-based candidate proposal model, allowing the network to use visual cues to predict parameters that would match the target image. The candidate solutions proposed by this diffusion model are then refined in a closed loop with a CMA evolution strategy, continuously narrowing the proposal region as optimization progresses. We validate across diverse inverse problems from path tracing, vector splines, Voronoi shaders, and robotics, and demonstrate that feature-guiding substantially improves convergence over scalar-loss baselines and reliably escapes local minima where gradient-based methods stall.
• Abstract（参考訳）: 逆レンダリングは伝統的に微分可能なレンダラと勾配降下によって解決されるが、これは相当な問題固有のエンジニアリングを必要とし、曖昧さのために局所的なミニマで立ち往生する傾向がある。 派生的でないアプローチは、エンジニアリング要件を緩和するが、しばしば良い問題の初期化に大きく依存する。 本研究では,FIDE(Feature-Informed Diffusion Evolution)を提案する。FIDE(Feature-Informed Diffusion Evolution)は,勾配や特定の初期化を必要としない,完全なブラックボックスフレームワークである。 それぞれの候補レンダリングをスカラーロス値に削減する代わりに、視覚変換器(ViT)を使用して、より密集した視覚的特徴を抽出する。 その後、これらの特徴を利用して拡散型候補提案モデルをトレーニングし、対象画像にマッチするパラメータを予測するために、ネットワークが視覚的手がかりを使用できるようにした。 この拡散モデルにより提案される候補解は、CMA進化戦略により閉ループで洗練され、最適化が進むにつれて提案領域を連続的に狭める。 経路追跡,ベクトルスプライン,ボロノイシェーダ,ロボット工学といった多種多様な逆問題に対して検証を行い,特徴指導がスカラーロスベースラインの収束を著しく改善し,勾配法が停止する局所ミニマを確実に回避できることを実証した。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって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） (2025-05-27T05:17:49Z)
• Locally Orderless Images for Optimization in Differentiable Rendering [80.09571356394574]
  そこで我々は,各画素が局所的な変化を保った強度のヒストグラムにマッピングする,局所的な秩序のない画像を利用する手法を提案する。 合成データと実データの両方を用いて,様々な逆問題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-03-27T19:17:58Z)
• Zero Grads: Learning Local Surrogate Losses for Non-Differentiable Graphics [13.558059987555234]
  未定義あるいはゼロの勾配に対して、グラフィックを自動的に最適化する方法を示す。 このフィッティングはパラメータ最適化とともにオンラインで行われ、事前計算されたデータや事前訓練されたモデルなしで自己教師される。 他のアルゴリズムとは対照的に、我々のアプローチはより高次元にスケールし、最大35k変数の問題を実演する。
  論文  参考訳（メタデータ） (2023-08-10T17:57:22Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Plateau-reduced Differentiable Path Tracing [18.174063717952187]
  対象関数において、逆レンダリングは、固有な高原、すなわちゼロ勾配の領域によって収束しないことが示される。 パラメータ空間を曖昧にする余分なカーネルを持つ画像にパラメータをマッピングする高次元レンダリング関数を展開させることにより、この問題を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-11-30T18:58:53Z)
• Implicit Neural Representation for Mesh-Free Inverse Obstacle Scattering [21.459567997723376]
  多層パーセプトロンのレベルセットとしての形状のインプシット表現は、最近、形状解析、圧縮、再構成タスクで栄えている。 メッシュフリーで逆障害物散乱問題を解決するための暗黙的ニューラルネットワーク表現に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-04T17:16:09Z)
• RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
  既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。 本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。 提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
  論文  参考訳（メタデータ） (2022-05-11T17:59:51Z)
• Differentiable Rendering with Perturbed Optimizers [85.66675707599782]
  2Dイメージプロジェクションから3Dシーンを推論することは、コンピュータビジョンにおける中核的な問題の一つだ。 我々の研究は、よく知られた微分可能な定式化とランダムなスムーズなレンダリングの関連性を強調している。 提案手法を3次元シーン再構成に適用し,その利点を6次元ポーズ推定と3次元メッシュ再構成の課題に適用した。
  論文  参考訳（メタデータ） (2021-10-18T08:56:23Z)

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。