論文の概要: A General Pipeline for Dense Illuminant Estimation via Physically Based Synthetic Data

• arxiv url: http://arxiv.org/abs/2610.06508v1
• Date: Mon, 05 Oct 2026 15:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:55:49.682262
• Title: A General Pipeline for Dense Illuminant Estimation via Physically Based Synthetic Data
• Title（参考訳）: 物理ベース合成データを用いた高密度照明量推定のための汎用パイプライン
• Abstract要約: 本研究では,3次元レンダリング画像から高密度照度色度マップを導出するパイプラインを提案する。 既存の3Dシーンコレクションを再利用することで,画素ワイドなアノテーションを体系的に生成することが可能になる。 我々は,このパイプラインを用いて,単照度推定モデルと多照度推定モデルの両方を事前学習する。
• 参考スコア（独自算出の注目度）: 7.890262071839875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illuminant estimation is a fundamental problem in computational photography, as it enables the correction of color shifts induced by varying lighting conditions. While learning-based methods have demonstrated strong performance, their progress is hindered by the limited availability of large-scale datasets with accurate illuminant ground-truth. In this work, we propose a general and reusable pipeline to derive dense illuminant chromaticity maps from physically based 3D-rendered scenes. By repurposing an existing 3D scene collection, our approach enables the systematic generation of pixel-wise illuminant annotations under controlled lighting conditions, effectively lowering the barrier to data acquisition for learning-based illuminant estimation. Using this pipeline, we generate a large-scale synthetic set of 74,321 images, which we employ for pre-training both single- and multi-illuminant estimation models. Extensive experiments with state-of-the-art architectures show that synthetic pre-training consistently improves performance, with gains of up to 28% for single-illuminant estimation and up to 57% for multi-illuminant estimation, particularly in data-scarce regimes. These findings demonstrate that synthetic data generation pipelines offer an effective and scalable solution for the pre-training of illuminant estimation methods.
• Abstract（参考訳）: 照明条件の変化による色変化の補正を可能にするため、照明推定は計算写真の基本的な問題である。 学習に基づく手法は高い性能を示してきたが、その進歩は、正確な照度を持つ大規模データセットの可用性の限界によって妨げられている。 本研究では,3次元レンダリング画像から高密度照度色度マップを導出する汎用的で再利用可能なパイプラインを提案する。 既存の3Dシーンコレクションを再利用することにより、制御された照明条件下での画素単位の照度アノテーションの体系的生成を可能にし、学習に基づく照度推定のためのデータ取得の障壁を効果的に低減する。 このパイプラインを用いて、74,321個の画像からなる大規模な合成集合を生成し、単一および多照度推定モデルの両方を事前学習する。 最先端アーキテクチャによる大規模な実験により、合成事前学習は一貫して性能を向上し、単一照度推定では最大28%、マルチ照度推定では最大57%、特にデータスカース方式では最大57%となる。 これらの結果から, 合成データ生成パイプラインは, イルミナント推定手法の事前学習に有効でスケーラブルなソリューションであることがわかった。

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)
• OmniLight: One Model to Rule All Lighting Conditions [20.84793675424915]
  逆照明条件は、視界と色忠実度を劣化させることによってコンピュータビジョンシステムに重大な課題をもたらす。 本稿では,2つのコントラスト戦略を探索し,照明関連画像復元に関する総合的研究を行う。 照明関連画像復元における特殊・統一アーキテクチャの性能に及ぼすデータ分布の影響について検討する。
  論文  参考訳（メタデータ） (2026-04-16T15:47:49Z)
• PI-Light: Physics-Inspired Diffusion for Full-Image Relighting [26.42056487076843]
  物理インスパイアされた拡散モデルを利用する2段階のフレームワークである、フルイメージのreLight($-Light, PI-Light)について、物理インスパイアされた拡散について紹介する。 本設計では, (i) バッチ認識, (ii) 物理的に可塑性光輸送を強制する物理誘導型ニューラルネットワークレンダリングモジュール, (iii) 物理的に意味のあるランドスケープに向けてトレーニングダイナミクスを規則化する物理誘導型損失を取り入れた。 実験により、$$-Lightは様々な材料にまたがるスペクトルのハイライトと拡散反射を合成し、従来のアプローチに比べて現実のシーンに優れた一般化を実現していることが示された。
  論文  参考訳（メタデータ） (2026-01-29T18:55:36Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• MetaGS: A Meta-Learned Gaussian-Phong Model for Out-of-Distribution 3D Scene Relighting [63.5925701087252]
  アウト・オブ・ディストリビューション(OOD) 3Dリライティングは、目に見えない照明条件下での新しいビュー合成を必要とする。 この課題に対処するためにMetaGSを2つの視点から紹介する。
  論文  参考訳（メタデータ） (2024-05-31T13:48:54Z)
• IntrinsicAnything: Learning Diffusion Priors for Inverse Rendering Under Unknown Illumination [37.96484120807323]
  本稿では,未知の静止照明条件下で撮影されたポーズ画像から対象物質を回収することを目的とする。 我々は、最適化プロセスの正規化のための生成モデルを用いて、その材料を事前に学習する。 実世界および合成データセットを用いた実験により,本手法が材料回収における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-04-17T17:45:08Z)
• Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
  フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。 現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。 本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:58:17Z)
• 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)
• Deep Lighting Environment Map Estimation from Spherical Panoramas [0.0]
  本稿では,単一のLDR単分子球状パノラマからHDR照明環境マップを推定するデータ駆動モデルを提案する。 データジェネレータと監視機構として画像ベースのリライティングを活用するために,表面形状の可用性を活用する。
  論文  参考訳（メタデータ） (2020-05-16T14:23:05Z)

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。