論文の概要: RGBX-Next: Towards Realistic Generative Rendering from G-Buffers

• arxiv url: http://arxiv.org/abs/2608.13929v1
• Date: Fri, 14 Aug 2026 03:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.26251
• Title: RGBX-Next: Towards Realistic Generative Rendering from G-Buffers
• Title（参考訳）: RGBX-Next:Gバッファによるリアルな生成レンダリングを目指して
• Abstract要約: RGBX-Nextは、前方および逆レンダリングのための統一的な生成フレームワークである。 得られたモデルが,現実的な生成的レンダリングと本質的な分解の両方において高品質であることを示す。
• 参考スコア（独自算出の注目度）: 28.646139887212158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have achieved impressive results in image, video, and streaming generation. However, compared to traditional 3D rendering, they still lack precise control over the generated output. We believe a viable path forward is to use generative models as learned renderers conditioned on traditionally rendered G-buffers. We introduce RGBX-Next, a unified generative framework for forward and inverse rendering, which allows estimating G-buffers from images, videos, and streams, and rendering realistic images, videos, and streams from G-buffers. Our key contribution is a general recipe for finetuning diffusion transformer (DiT) models into generative forward and inverse renderers. We show that the resulting models achieve high quality in both realistic generative rendering and intrinsic decomposition. We will make all our models publicly available. We believe that the design principles presented in this paper will benefit future research on controllable generative forward and inverse rendering.
• Abstract（参考訳）: 拡散モデルは、画像、ビデオ、ストリーミング生成において素晴らしい結果を得た。 しかし、従来の3Dレンダリングと比較しても、生成した出力を正確に制御することができない。 我々は、従来のGバッファに条件付けされた学習用レンダラーとして生成モデルを使用することが、実現可能な道のりであると信じている。 RGBX-Nextは、画像、ビデオ、ストリームからGバッファを推定し、Gバッファから現実的な画像、ビデオ、ストリームをレンダリングする。 我々の重要な貢献は、拡散変換器(DiT)モデルを生成前および逆レンダラーに微調整するための一般的なレシピである。 得られたモデルが,現実的な生成的レンダリングと本質的な分解の両方において高品質であることを示す。 すべてのモデルを公開します。 本稿では,制御可能な生成と逆レンダリングの今後の研究に有効であると考えられる。

関連論文リスト

• FixAnything: 3D-Consistent Rendering Refinement via Video Generative Priors [46.96412859785915]
  幅広いレンダリングアーティファクトを修正するためのモデルであるFixAnythingを紹介します。 これは、事前訓練されたビデオ生成モデルを再利用し、暗黙のマルチビュープリミティブを最小限の変更で活用することで実現している。 私たちの重要な洞察は、騒々しくレンダリングされたシーケンスでさえ、カメラの動きと粗いシーン構造を保ち、クリーンアップをビデオからビデオへの翻訳として定式化できるということです。
  論文  参考訳（メタデータ） (2026-08-24T17:51:33Z)
• Generative Relightable Avatars [54.38436795769187]
  Generative Relightable Avatars (GRA) は、フルボディの人間の自由視点レンダリングと環境マップリライティングのための個人固有の手法である。 GRAは制御可能な物理グラウンドのリライトと確率的洗練を組み合わせたハイブリッドアプローチに従う。
  論文  参考訳（メタデータ） (2026-06-21T23:36:00Z)
• GenFusion: Closing the Loop between Reconstruction and Generation via Videos [24.195304481751602]
  本稿では,再現性のあるRGB-Dレンダリングにおける映像フレームの条件付けを学習する再構成駆動型ビデオ拡散モデルを提案する。 また、生成モデルからトレーニングセットへの復元フレームを反復的に追加する循環核融合パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-27T07:16:24Z)
• 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)
• EnvGS: Modeling View-Dependent Appearance with Environment Gaussian [78.74634059559891]
  EnvGSは、環境の反射を捉えるための明示的な3D表現として、ガウスプリミティブのセットを利用する新しいアプローチである。 これらの環境を効率的にレンダリングするために,高速レンダリングにGPUのRTコアを利用するレイトレーシングベースのリフレクションを開発した。 複数の実世界および合成データセットから得られた結果は,本手法がより詳細な反射を生成することを示す。
  論文  参考訳（メタデータ） (2024-12-19T18:59:57Z)
• NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
  NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。 我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
  論文  参考訳（メタデータ） (2024-11-25T07:57:17Z)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• VideoGPT: Video Generation using VQ-VAE and Transformers [75.20543171520565]
  VideoGGは、自然ビデオへの可能性に基づく生成モデリングをスケールするための概念的にシンプルなアーキテクチャである。 VideoGはVQ-Eを用いて、3D畳み込みと軸自己アテンションを用いて、離散的潜伏表現を学習する。 我々のアーキテクチャは、b-101ロボットデータセット上でビデオ生成のための最先端ganモデルと競合するサンプルを生成することができる。
  論文  参考訳（メタデータ） (2021-04-20T17:58:03Z)

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。