論文の概要: RoomLight: A 2.5D Illumination Prior for Indoor Environments

• arxiv url: http://arxiv.org/abs/2609.28300v1
• Date: Wed, 23 Sep 2026 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.100613
• Title: RoomLight: A 2.5D Illumination Prior for Indoor Environments
• Title（参考訳）: RoomLight: 屋内環境に先立つ2.5D照明
• Abstract要約: 逆レンダリングでは、学習先行者は自然光の分布をモデル化し、シーン特性の回復を改善する。 既存のモデルは遠距離照明の仮定に頼っており、照明を遠距離フィールド環境マップとして表現している。 実世界の室内パノラマと推定深度で訓練された空間認識照明を導入する。
• 参考スコア（独自算出の注目度）: 4.326714095821599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ill-posed inverse problems require priors to constrain the solution space toward plausible outcomes. In inverse rendering, learned priors modeling the distribution of natural illumination improve the recovery of scene properties. However, existing models rely on the distant-illumination assumption, representing lighting as a far-field environment map. This limits their applicability to indoor scenes, where illumination is highly spatially varying due to finite-distance emitters, visibility changes, and parallax, all of which are poorly approximated by a single environment map. To address this, we introduce a spatially-aware illumination prior trained on real-world indoor panoramas and their estimated depth. Our variational autoencoder model learns a compact, optimizable latent space that decodes into HDR radiance and depth, parameterizing an area light emitter for direct integration into standard differentiable rendering pipelines. This design bridges the plausibility guarantees of a learned prior with the gradient flow required for downstream optimization. Crucially, by jointly modeling radiance and depth, our prior captures the spatial structure of indoor illumination, instead of treating the light sources as infinitely distant. We demonstrate that this formulation enables spatially-varying illumination modeling and achieves higher-fidelity recovery of indoor lighting compared to existing approaches. Project page: https://andreead-a.github.io/RoomLight
• Abstract（参考訳）: Ill-posed inverse problem(英語版) は、解空間を可算な結果に制限する先行性を必要とする。 逆レンダリングでは、自然光の分布をモデル化した先行学習により、シーン特性の回復が向上する。 しかし、既存のモデルは遠距離照明の仮定に依存しており、照明を遠距離環境マップとして表現している。 これは、照明が有限距離エミッタ、視認性の変化、パララックスによって空間的に非常に変化する屋内のシーンに適用性を制限する。 そこで本研究では,現実世界の室内パノラマと推定深度を事前に学習した空間認識照明を導入する。 我々の変分オートエンコーダモデルは、HDRラディアンスと深さにデコードするコンパクトで最適化可能な潜在空間を学習し、標準の微分可能なレンダリングパイプラインに直接統合するための領域発光器をパラメータ化する。 この設計は、下流の最適化に必要な勾配流で学習前の可算性を保証する。 重要なことは、放射率と深度を共同でモデル化することで、光源を無限遠方として扱うのではなく、室内照明の空間構造を捉えることができる。 この定式化により、空間的に変化する照明のモデリングが可能となり、既存の手法と比較して室内照明の高忠実性回復が達成できることを実証する。 プロジェクトページ:https://andreead-a.github.io/RoomLight

関連論文リスト

• SpotlessGS: Relightable 3D Gaussian Splatting under Dynamic Illumination for Robotic Perception [20.515607443256073]
  我々はDark Gaussian Splattingをより正確でフレキシブルな3D再構成フレームワークに拡張する。 球面高調波に基づく低周波照明モデルを導入し,空間的に異なる残差と周囲の照明効果を捉える。 合成および実世界のデータセットに対する実験により,従来の手法よりもレンダリング品質と量的性能を向上しつつ,照明アーチファクトを効果的に軽減できることが示されている。
  論文  参考訳（メタデータ） (2026-08-11T17:35:34Z)
• Joint Shadow Generation and Relighting via Light-Geometry Interaction Maps [51.82696819319878]
  単分子深度から光を識別する新しい表現である光幾何相互作用マップを提案する。 LGIは、オフザシェルフ2.5D深度マップ予測から計算された、確実かつ正確に光と影の相互作用をキャプチャする。 LGIをブリッジマッチングした生成バックボーンに埋め込むことで、曖昧さを低減し、物理的に一貫した光陰性推論を強制する。
  論文  参考訳（メタデータ） (2026-02-25T11:47:26Z)
• 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)
• Spatiotemporally Consistent HDR Indoor Lighting Estimation [66.26786775252592]
  本研究では,屋内照明推定問題を解決するための物理動機付きディープラーニングフレームワークを提案する。 深度マップを用いた1枚のLDR画像から,任意の画像位置における空間的に一貫した照明を予測できる。 我々のフレームワークは、最先端の単一画像やビデオベースの手法と比較して、高画質で光リアリスティック照明予測を実現する。
  論文  参考訳（メタデータ） (2023-05-07T20:36:29Z)
• EverLight: Indoor-Outdoor Editable HDR Lighting Estimation [9.443561684223514]
  本稿では、パラメトリック光モデルと360degパノラマを組み合わせ、レンダリングエンジンでHDRIとして使用できる手法を提案する。 我々の表現では、ユーザは光の方向、強度、数などを簡単に編集してシェーディングに影響を与えながら、リッチで複雑なリフレクションを提供しながら、編集とシームレスにブレンドすることができる。
  論文  参考訳（メタデータ） (2023-04-26T00:20:59Z)
• NeAI: A Pre-convoluted Representation for Plug-and-Play Neural Ambient Illumination [28.433403714053103]
  ニューラル環境照明(NeAI)という枠組みを提案する。 NeAIは、物理的な方法で複雑な照明を扱うための照明モデルとしてNeRF(Neural Radiance Fields)を使用している。 実験は、以前の作品と比較して、ノベルビューレンダリングの優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-04-18T06:32:30Z)
• NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field Indirect Illumination [48.42173911185454]
  逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。 本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-29T12:05:19Z)
• Neural Light Field Estimation for Street Scenes with Differentiable Virtual Object Insertion [129.52943959497665]
  既存の屋外照明推定の作業は通常、シーン照明を環境マップに単純化する。 単一画像から5次元HDR光場を推定するニューラルネットワークを提案する。 自律運転アプリケーションにおけるARオブジェクト挿入の利点を示す。
  論文  参考訳（メタデータ） (2022-08-19T17:59:16Z)
• 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)
• Light Stage Super-Resolution: Continuous High-Frequency Relighting [58.09243542908402]
  光ステージから採取した人間の顔の「超解像」を学習ベースで解析する手法を提案する。 本手法では,ステージ内の隣接する照明に対応する撮像画像を集約し,ニューラルネットワークを用いて顔の描画を合成する。 我々の学習モデルは、リアルな影と特異なハイライトを示す任意の光方向のレンダリングを生成することができる。
  論文  参考訳（メタデータ） (2020-10-17T23:40:43Z)

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。