論文の概要: IntrinSync: Joint Intrinsic Decomposition and Reciprocal Rendering

• arxiv url: http://arxiv.org/abs/2610.11138v1
• Date: Thu, 08 Oct 2026 03:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.753199
• Title: IntrinSync: Joint Intrinsic Decomposition and Reciprocal Rendering
• Title（参考訳）: IntrinSync: 関節内因性分解と相互レンダリング
• Abstract要約: 逆レンダリングは、画像を外見、照明、幾何学、材料といった固有の性質に分解する。 IntrinSyncは、共同チャネルモデリングと相互逆フォワードレンダリングにより、この相互依存をキャプチャする統合フレームワークである。
• 参考スコア（独自算出の注目度）: 61.65995215688459
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse rendering decomposes an image into intrinsic properties such as appearance, illumination, geometry, and material, yet these properties are inherently interdependent. A reliable decomposition should produce intrinsic maps that are not only individually plausible, but also mutually compatible in explaining the image. However, existing methods either model intrinsic channels in isolation or treat inverse and forward rendering as separate processes, leaving the interdependence underexploited. In this paper, we introduce IntrinSync, a unified framework that captures this interdependence through joint-channel modeling and reciprocal inverse-forward rendering. At the channel level, we jointly decompose an input RGB into albedo, shading, surface normal, roughness, and metallic maps through a 1-to-N mapping, enabling information exchange across channels throughout generation. At the process level, we establish inverse-forward reciprocity through a dual cycle-consistent objective that aligns corresponding predictions across a closed loop. Experiments on three datasets demonstrate that our method achieves competitive intrinsic estimation and forward rendering performance, improving coherence and physical consistency. Beyond decomposition, IntrinSync provides a physically grounded interface for image editing, allowing intrinsic properties to be explicitly manipulated and rendered back into RGB images.
• Abstract（参考訳）: 逆レンダリングは、イメージを外見、照明、幾何学、材料といった固有の性質に分解するが、これらの性質は本質的に相互依存的である。 信頼性の高い分解は、個々の可算性だけでなく、画像を説明する上で相互に互換性のある固有の写像を生成するべきである。 しかし、既存の手法では、独立に固有のチャネルをモデル化するか、逆および前方レンダリングを別々のプロセスとして扱い、相互依存は未開のままである。 本稿では,共同チャネルモデリングと相互逆フォワードレンダリングにより,この相互依存を捉える統合フレームワークであるIntrinSyncを紹介する。 チャネルレベルでは,入力RGBをアルベド,シェーディング,表面正規化,粗さ,および金属マップに分割し,チャネル間の情報交換を可能にする。 プロセスレベルでは、閉ループをまたいで対応する予測を整列する二重サイクル整合目的により、逆フォワードの相互性を確立する。 3つのデータセットに対する実験により,本手法は競合する本質的推定と前方レンダリング性能を実現し,コヒーレンスと物理的整合性を向上することを示した。 分解以外にも、IntrinSyncは画像編集のための物理的に接地されたインターフェイスを提供しており、固有のプロパティを明示的に操作し、RGBイメージに戻すことができる。

関連論文リスト

• GenRec: Knowing Where to Reconstruct and Where to Generate [106.48347271421765]
  GenRecは、再構築世代をそのアーキテクチャ、監督、勾配フローに直接分割するフローマッチングモデルである。 観察された領域で最高の復元忠実度を達成し、また、観測されていない領域では、知覚的品質の純粋に生成的ベースラインを超越する。
  論文  参考訳（メタデータ） (2026-08-18T14:31:19Z)
• PICS: Pairwise Image Compositing with Spatial Interactions [20.306534705755613]
  PICSは、オブジェクトを並列に構成する自己教師型合成分解パラダイムである。 インタラクショントランスフォーマーは、バックグラウンド、排他的、重複する領域をルーティングするために、マスク誘導ミキサーを使用する。 幾何学的変動に対するロバスト性をさらに高めるため、平面外と平面内の両方のポーズ変化をカバーする幾何学的付加を取り入れた。
  論文  参考訳（メタデータ） (2026-03-06T20:48:21Z)
• Uni-Renderer: Unifying Rendering and Inverse Rendering Via Dual Stream Diffusion [14.779121995147056]
  レンダリングと逆レンダリングはコンピュータビジョンとグラフィックスにおいて重要なタスクである。 本稿では、2つの条件生成タスクとしてレンダリングと逆レンダリングを共同でモデル化するデータ駆動手法を提案する。 トレーニングと推論のコードをオープンソースとして公開し、この分野のさらなる研究と開発を後押しします。
  論文  参考訳（メタデータ） (2024-12-19T16:57:45Z)
• RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
  GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。 既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。 我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。 本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2023-08-11T12:17:24Z)
• Explicit Correspondence Matching for Generalizable Neural Radiance Fields [66.99907718824782]
  本稿では,新たな未知のシナリオに一般化し,2つのソースビューで新規なビュー合成を行う新しいNeRF手法を提案する。 明瞭な対応マッチングは、異なるビュー上の3Dポイントの2次元投影でサンプリングされた画像特徴間のコサイン類似度と定量化される。 実験では,実験結果から得られたコサイン特徴の類似性と体積密度との間に強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-04-24T17:46:01Z)
• Image Morphing with Perceptual Constraints and STN Alignment [70.38273150435928]
  本稿では,一対の入力画像で動作する条件付きGANモーフィングフレームワークを提案する。 特別なトレーニングプロトコルは、知覚的類似性損失と組み合わせてフレームのシーケンスを生成し、時間とともにスムーズな変換を促進する。 我々は、古典的かつ潜時的な空間変形技術との比較を行い、自己スーパービジョンのための一連の画像から、我々のネットワークが視覚的に楽しむモーフィング効果を生成することを実証する。
  論文  参考訳（メタデータ） (2020-04-29T10:49:10Z)

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。