論文の概要: DiffusionShadow: Diffusion-based Shadow Caching for Neural Volume Rendering

• arxiv url: http://arxiv.org/abs/2609.30658v1
• Date: Fri, 25 Sep 2026 00:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.178672
• Title: DiffusionShadow: Diffusion-based Shadow Caching for Neural Volume Rendering
• Title（参考訳）: Diffusion Shadow: 神経ボリュームレンダリングのための拡散ベースのシャドウキャッシング
• Abstract要約: 入射神経表現(INR)は、大規模データセットのコンパクト性とスケーラビリティのため、科学的可視化において勢いを増している。 拡散型シャドウキャッシングフレームワークを導入し,大量のプリ計算されたシャドウINRを1つの拡散モデルに圧縮する。 シャドーボリュームの集合をまずシャドーINRとしてエンコードし、次に照明方向に条件付けられた拡散モデルを訓練し、対応するシャドーINR重みを推定時に予測する。
• 参考スコア（独自算出の注目度）: 23.12852937174964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) have gained momentum in scientific visualization due to their compactness and scalability to large datasets, making them well suited for integration with direct volume rendering (DVR). However, real-time volume rendering of INR with advanced illumination effects, such as shadows, remains computationally expensive, as evaluating shadow terms via ray marching is costly. Alternatively, precomputing and storing shadows for many lighting directions is prohibitive in both memory and storage. To address this, we introduce a diffusion-based shadow caching framework that compresses a vast set of pre-calculated shadow INRs into a single diffusion model. Rather than focusing on generalizing to unseen directions, our method effectively memorizes and reconstructs a dense set of pre-trained lighting conditions on the fly. We first encode a collection of shadow coefficient volumes as shadow INRs, and then train a diffusion model conditioned on lighting direction to predict the corresponding shadow INR weights at inference time. This design integrates directly with standard INR renderers without additional runtime sampling. Experiments show that our approach achieves faster rendering than traditional methods while bypassing the massive storage bloat of independent INRs, producing shadows that closely match most of the reference results.
• Abstract（参考訳）: Inlicit Neural representations (INR)は、大規模なデータセットに対するコンパクトさとスケーラビリティのため、科学的な視覚化の勢いを増し、直接ボリュームレンダリング(DVR)との統合に適している。 しかし、影のような高度な照明効果を持つINRのリアルタイムボリュームレンダリングは、レイマーキングによるシャドウワードの評価がコストがかかるため、計算的にコストがかかるままである。 あるいは、多くの照明方向のためにシャドウをプリ計算して保存することは、メモリとストレージの両方で禁じられている。 そこで本研究では,大量の事前計算された影INRを1つの拡散モデルに圧縮する拡散型シャドウキャッシングフレームワークを提案する。 本手法は,目立たない方向への一般化に焦点をあてるのではなく,予め訓練した照明条件の密集した集合体を効果的に記憶・再構成する。 まず、影係数体積の集合を影INRとしてエンコードし、次に光の方向を条件とした拡散モデルを訓練し、対応する影INR重みを推定時に予測する。 この設計は、追加のランタイムサンプリングなしで標準のINRレンダラーと直接統合する。 実験により,本手法は従来の手法よりも高速なレンダリングを実現するとともに,独立系INRの大規模ストレージ肥大を回避し,参照結果のほとんどと密に一致した影を生成する。

関連論文リスト

• FreeShadow: Training-Free Shadow Removal via Illumination Transfer and Selective Content Preservation in Diffusion Models [28.689075673734354]
  FreeShadowは、事前訓練された拡散モデルに基づいて構築された訓練不要のシャドウ除去手法である。 提案手法は強力な一般化を実現し,現実的な影のない画像を生成する。
  論文  参考訳（メタデータ） (2026-07-29T10:05:36Z)
• RelitLRM: Generative Relightable Radiance for Large Reconstruction Models [52.672706620003765]
  本稿では,新しい照明下での3Dオブジェクトの高品質なガウススプレイティング表現を生成するためのRelitLRMを提案する。 複雑なキャプチャと遅い最適化を必要とする従来の逆レンダリングとは異なり、RelitLRMはフィードフォワードトランスフォーマーベースのモデルを採用している。 スパースビューフィードフォワードRelitLRMは、最先端の密集ビュー最適化ベースラインに対して、競争力のあるリライティング結果を提供する。
  論文  参考訳（メタデータ） (2024-10-08T17:40:01Z)
• Flash Cache: Reducing Bias in Radiance Cache Based Inverse Rendering [62.92985004295714]
  本稿では,レンダリングに偏りをもたらす近似を回避し,最適化に用いた勾配を求める手法を提案する。 これらのバイアスを除去することで、逆レンダリングに基づくレーダランスキャッシュの一般化が向上し、スペクトル反射のような光輸送効果に挑戦する際の品質が向上することを示す。
  論文  参考訳（メタデータ） (2024-09-09T17:59:57Z)
• Denoising Monte Carlo Renders with Diffusion Models [5.228564799458042]
  物理的にベースとしたレンダリングはモンテカルロノイズを含み、ピクセル当たりの光の数が減少するにつれてばらつきが増す。 このノイズは、良い現代人にはゼロ平均だが、重い尾を持つことがある。 拡散モデルが低忠実度レンダリングをうまく認知できることを実証する。
  論文  参考訳（メタデータ） (2024-03-30T23:19:40Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)

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。