論文の概要: Shedding Light: A Benchmark for Evaluating Lighting Understanding in Generative Image Models

• arxiv url: http://arxiv.org/abs/2609.10787v1
• Date: Wed, 09 Sep 2026 19:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.121664
• Title: Shedding Light: A Benchmark for Evaluating Lighting Understanding in Generative Image Models
• Title（参考訳）: Shedding Light: 生成画像モデルにおける照明理解の評価ベンチマーク
• Abstract要約: 本研究は、生成モデルの照明理解と調和能力を評価するためのベンチマークを提案する。 我々は、光プローブとして機能する単純な物体を含む画像を含むマルチ照度データセットを使用し、モデルに元の画像に同じ物体を塗り込むよう促す。 次に、塗布されたプローブから照明方向、色、放射率分布を推定し、照明精度と測光リアリズムを定量的に測定する。
• 参考スコア（独自算出の注目度）: 30.845505604996145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modelling of illumination is central to realistic image synthesis and scene understanding. Yet, there is little exploration into whether image generative models are good at this task or whether physical plausibility remains a key challenge for them. Clearly, significant progress has been made in realistic image synthesis, but do models truly understand lighting in a physically accurate manner? To answer this question, this work proposes a benchmark to assess the lighting understanding and harmonisation capabilities of generative models. Our key insight is that evaluating lighting understanding for such models only requires testing how well they insert novel objects into real photographs whilst maintaining consistent illumination. To do so, we use a multi-illumination dataset with images containing simple objects serving as ``light probes'', and prompt models to inpaint the same object onto the original image, then compare the generated results against the ground-truth light probes. We then estimate the lighting direction, colour and radiance distribution from the inpainted probes, providing a quantitative measure of illumination accuracy and photometric realism. Our work establishes a scalable evaluation protocol to systematically assess how well generative models capture and reproduce real-world lighting, offering a foundation for benchmarking the photometric accuracy of any future models. All code and data are available at https://lvsn.github.io/SheddingLight/ .
• Abstract（参考訳）: 照明の正確なモデリングは、現実的な画像合成とシーン理解の中心である。 しかし、画像生成モデルがこの課題に長けているのか、物理的な妥当性が彼らにとって重要な課題であるのかについては、ほとんど調査されていない。 明らかに、現実的な画像合成において大きな進歩があったが、モデルは物理的に正確な方法でライティングを本当に理解しているのだろうか? そこで本研究では,生成モデルの照明理解と調和能力を評価するためのベンチマークを提案する。 私たちの重要な洞察は、そのようなモデルに対する光の理解を評価するには、一貫した照明を維持しながら、新しい物体を実際の写真にいかにうまく挿入するかをテストする必要があるということです。 そこで我々は,「光プローブ」として機能する単純な物体を含む画像を含む多照度データセットを用いて,同じ物体を原画像に塗布し,生成した結果を地中光プローブと比較する。 次に、塗布されたプローブから照明方向、色、放射率分布を推定し、照明精度と測光リアリズムを定量的に測定する。 我々の研究は、生成モデルが現実世界の照明をいかにうまく捉え再生するかを体系的に評価するためのスケーラブルな評価プロトコルを確立し、将来のモデルの測光精度をベンチマークするための基盤を提供する。 すべてのコードとデータはhttps://lvsn.github.io/SheddingLight/ で公開されている。

関連論文リスト

• Do Image Editing Models Understand Lighting? [52.657799986035464]
  我々は、3Dアンコールライトプローブ(3DLP)ベンチマークを導入し、現実世界の照明変化の高忠実度HDRデータセットを新たに取得した。 データセットは、光プローブを物理的にオン/オフする、多様な屋内風景の1Kイメージ対で構成されている。 我々は,光プローブの編集精度と現実性との整合性を評価することによって,最先端の画像編集モデルの評価を行った。
  論文  参考訳（メタデータ） (2026-06-25T08:20:34Z)
• TokenLight: Precise Lighting Control in Images using Attribute Tokens [36.19968483255676]
  我々は条件付き画像生成タスクとしてリライティングを定式化し、照明要素をエンコードする属性トークンを導入する。 このモデルは、グラウンドトルース照明アノテーションを用いた大規模な合成データセットで訓練されている。 我々は,室内照明器具の制御や編集環境の照明など,様々な照明作業におけるアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:50Z)
• 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)
• Neural Gaffer: Relighting Any Object via Diffusion [43.87941408722868]
  我々はニューラル・ギャファーと呼ばれる新しいエンドツーエンドの2次元ライティング拡散モデルを提案する。 我々のモデルは、任意の物体の1つの画像を取り、新しい照明条件下で、正確で高品質な信頼された画像を合成することができる。 本稿では,インターネット画像の総合化と精度の両面からモデルを評価し,その利点を一般化と精度の両面から示す。
  論文  参考訳（メタデータ） (2024-06-11T17:50:15Z)
• RelightableHands: Efficient Neural Relighting of Articulated Hand Models [46.60594572471557]
  我々は、新しい照明下でリアルタイムにアニメーションできる高忠実度パーソナライズドハンドをレンダリングするための、最初のニューラルリライティング手法を提案する。 本手法では,教師が1点当たりの外観を,ライトステージで撮影した画像から学習する。 教師モデルによって表現されたイメージをトレーニングデータとして利用することにより,学生モデルは自然照度下での外観を直接リアルタイムで予測する。
  論文  参考訳（メタデータ） (2023-02-09T18:59:48Z)
• Learning to Relight Portrait Images via a Virtual Light Stage and Synthetic-to-Real Adaptation [76.96499178502759]
  Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。 最近の手法は、高品質な結果を得るためにディープラーニングに依存している。 そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T17:15:58Z)
• Self-supervised Outdoor Scene Relighting [92.20785788740407]
  本稿では, 自己指導型リライティング手法を提案する。 当社のアプローチは,ユーザの監督なしにインターネットから収集した画像のコーパスのみに基づいて訓練されている。 以上の結果から,写実的かつ物理的に妥当な結果を生成できる技術が,見えない場面に一般化できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-07T09:46:19Z)
• 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)
• GMLight: Lighting Estimation via Geometric Distribution Approximation [86.95367898017358]
  本稿では,効率的な照明推定のための回帰ネットワークと生成プロジェクタを用いた照明推定フレームワークを提案する。 幾何学的な光の分布、光強度、周囲条件、および補助深さの点から照明シーンをパラメータ化し、純粋な回帰タスクとして推定します。 推定照明パラメータを用いて、生成プロジェクタはパノラマ照明マップを現実的な外観と周波数で合成する。
  論文  参考訳（メタデータ） (2021-02-20T03:31:52Z)

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。