論文の概要: Physically Based Rendering in the Latent Space
- arxiv url: http://arxiv.org/abs/2609.21054v1
- Date: Thu, 17 Sep 2026 20:14:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.768445
- Title: Physically Based Rendering in the Latent Space
- Title（参考訳）: 潜在空間における物理ベースレンダリング
- Abstract要約: 生成モデルのオートエンコーダによって学習された特徴空間に物理ベースレンダリングを導入する。
これにより、物理ベースのレンダリング技術を活用して、物理的にガイドされたコンテンツ生成のための潜時マップを出力できる。
提案手法は,1つのレンダリング画像に基づいて学習し,幾何学的変化,照明的変化,カメラビューの変化を可視化する手法の一般化を実証する。
- 参考スコア（独自算出の注目度）: 13.498500126025908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image diffusion models have shown impressive image generation capabilities but are often hard to control, in contrast to classical computer graphics pipelines such as physically based rendering. However, we observe that there is a bridge between light transport phenomena and the distribution of latent space values produced by such models. Thus, we introduce physically based rendering in the feature space learned by the variational autoencoders in generative models, enabling light transport simulation in the latent space. This allows us to leverage physically based rendering techniques to output latent maps for physically guided content generation. We propose modifications to the rendering equation, which, when paired with a differentiable renderer, can yield an optimal set of scene parameters that require only minimal refinement to accurately render into the pretrained latent space. We train our method on a single rendered image, and then demonstrate the generalization of the method to scene geometry changes, lighting changes, and camera view changes.
- Abstract（参考訳）: 画像拡散モデルは印象的な画像生成能力を示しているが、物理ベースのレンダリングのような古典的なコンピュータグラフィックスパイプラインとは対照的に、しばしば制御が難しい。
しかし、光輸送現象とそのようなモデルによって生成された潜在空間値の分布との間に橋渡しがあることが観察された。
そこで本研究では, 生成モデルにおける変分オートエンコーダによって学習された特徴空間における物理ベースレンダリングを導入し, 潜時空間における光輸送シミュレーションを可能にする。
これにより、物理ベースのレンダリング技術を活用して、物理的にガイドされたコンテンツ生成のための潜時マップを出力できる。
本稿では, レンダリング方程式の修正を提案し, 微分可能なレンダラと組み合わせることで, 最小限の精細化しか必要としないシーンパラメータの最適セットを, 予め訓練した潜在空間に正確にレンダリングできる。
提案手法は,1つのレンダリング画像に基づいて学習し,幾何学的変化,照明的変化,カメラビューの変化を可視化する手法の一般化を実証する。
関連論文リスト
- RenderFormer-V2: Neural Rendering with Heterogeneous Scene Primitives [31.912941448426295]
RenderFormer-V2は、学習したトランスフォーマーベースのニューラルレンダリングモデルである。
シーンごとのトレーニングや特別なコードなしで、様々な光輸送効果を処理できる。
論文 参考訳（メタデータ） (2026-09-04T21:39:29Z) - 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) - FaceFolds: Meshed Radiance Manifolds for Efficient Volumetric Rendering of Dynamic Faces [21.946327323788275]
動的顔の3Dレンダリングは難しい問題である。
本稿では,アクターの動的顔パフォーマンスの高品質なレンダリングを可能にする新しい表現を提案する。
論文 参考訳（メタデータ） (2024-04-22T00:44:13Z) - Curved Diffusion: A Generative Model With Optical Geometry Control [56.24220665691974]
最終シーンの外観に対する異なる光学系の影響は、しばしば見過ごされる。
本研究では,画像レンダリングに使用される特定のレンズとテキスト画像拡散モデルを密接に統合するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-29T13:06:48Z) - FLARE: Fast Learning of Animatable and Relightable Mesh Avatars [64.48254296523977]
私たちのゴールは、幾何学的に正確で、リアルで、楽しい、現在のレンダリングシステムと互換性のあるビデオから、パーソナライズ可能な3Dアバターを効率的に学習することです。
単眼ビデオからアニマタブルアバターとリライトブルアバターの作成を可能にする技術であるFLAREを紹介する。
論文 参考訳（メタデータ） (2023-10-26T16:13:00Z) - 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。