論文の概要: GSHeadRelight: Fast Relightability for 3D Gaussian Head Synthesis
- arxiv url: http://arxiv.org/abs/2610.30619v1
- Date: Thu, 22 Oct 2026 02:31:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.191461
- Title: GSHeadRelight: Fast Relightability for 3D Gaussian Head Synthesis
- Title（参考訳）: GSHeadRelight:3次元ガウスヘッド合成のための高速リライト性
- Abstract要約: 3D対応のポートレートライティングは、写真リアリスティックレンダリング、リアルタイムパフォーマンス、そして目に見えない対象への一般化の要求により、依然として困難である。
生成型3Dガウスの最近の進歩に頼り、統一されたニューラル放射率伝達表現に基づく照明モデルの設計を行う。
本手法は,Wild内画像のみを用いて,最先端のライティング結果とレンダリング速度を大幅に高速化する。
- 参考スコア（独自算出の注目度）: 28.433080504188727
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Relighting and novel view synthesis of human portraits are essential in applications such as portrait photography, virtual reality (VR), and augmented reality (AR). Despite recent progress, 3D-aware portrait relighting remains challenging due to the demands for photorealistic rendering, real-time performance, and generalization to unseen subjects. Existing works either rely on supervision from limited and expensive light stage captured data or produce suboptimal results. Moreover, many works are based on generative NeRFs, which suffer from poor 3D consistency and low real-time performance. We resort to recent progress on generative 3D Gaussians and design a lighting model based on a unified neural radiance transfer representation, which responds linearly to incident light. Using only in-the-wild images, our method achieves state-of-the-art relighting results and a significantly faster rendering speed ($\times12$) compared to previous 3D-aware portrait relighting research. Project page: http://www.geometrylearning.com/GSHeadRelight/.
- Abstract（参考訳）: 人間の肖像画のリライティングと新しいビュー合成は、肖像画撮影、仮想現実(VR)、拡張現実(AR)といった応用に不可欠である。
近年の進歩にもかかわらず、写真リアリスティックなレンダリング、リアルタイムパフォーマンス、見えない対象への一般化といった要求により、3D対応の肖像画のリライティングは依然として困難である。
既存の作業は、限定的で高価なライトステージのキャプチャーデータからの監督に依存するか、あるいは準最適結果を生成するかのいずれかである。
さらに、多くの作品は生成的NeRFに基づいており、これは3次元の整合性が悪く、リアルタイム性能が低い。
生成3Dガウスの最近の進歩に頼り、入射光に線形に応答する統一されたニューラル放射率伝達表現に基づく照明モデルの設計を行う。
本手法は,3D画像のみを用いて,最先端のライティング結果とレンダリング速度(\times12$)を従来の3D画像ライティング研究と比較し,大幅に高速化する。
プロジェクトページ: http://www.geometrylearning.com/GSHeadRelight/.com
関連論文リスト
- 3DPR: Single Image 3D Portrait Relight using Generative Priors [101.74130664920868]
3DPRは画像ベースのリライティングモデルであり、マルチビューのOne-Light-at-A-Time (OLAT)イメージから学習した生成的事前情報を活用する。
我々は,事前学習した画像データセットから学習した顔の幾何に先立ってリッチな情報を提供する,事前学習された生成ヘッドモデルの潜時空間を活用する。
我々のリフレクタンスネットワークは生成ヘッドモデルの潜在空間で動作し、比較的少数の光ステージ画像でリフレクタンスモデルを訓練することが可能である。
論文 参考訳（メタデータ） (2025-10-17T17:37:42Z) - Lite2Relight: 3D-aware Single Image Portrait Relighting [87.62069509622226]
Lite2Relightは、肖像画の3D一貫性のある頭部ポーズを予測できる新しいテクニックだ。
事前学習した幾何認識エンコーダと特徴アライメントモジュールを利用することで、入力画像を3D空間にマッピングする。
これには、髪、目、表情を含むフルヘッドの3D一貫性のある結果が含まれる。
論文 参考訳（メタデータ） (2024-07-15T07:16:11Z) - Holo-Relighting: Controllable Volumetric Portrait Relighting from a Single Image [41.6305755298805]
ホロリライティング(Holo-Relighting)は、1枚の画像から新しい視点と新しい照明を合成できるボリュームリライティング法である。
これらの特徴を処理するために、所定の照明に条件付けされた照明モジュールを設計し、三面体という形で、信頼度の高い3D表現を予測する。
視点制御と照明制御に加えて、ホロライティングはヘッドポーズを条件として、ヘッドポジション依存の照明効果を可能にする。
論文 参考訳（メタデータ） (2024-03-14T17:58:56Z) - Deblurring 3D Gaussian Splatting [7.315329140016319]
MLP(Multi-Layer Perceptron)を用いた3次元ガウス平滑化のための新しいリアルタイムデブロアリングフレームワークを提案する。
Deblurring 3D Gaussian Splattingはリアルタイムレンダリングを楽しめるが、ぼやけた画像から細かで鋭いディテールを再構築することができる。
論文 参考訳（メタデータ） (2024-01-01T18:23:51Z) - Real-Time Radiance Fields for Single-Image Portrait View Synthesis [85.32826349697972]
本研究では,1つの未提示画像からリアルタイムに3D表現を推測・描画するワンショット手法を提案する。
一つのRGB入力が与えられた場合、画像エンコーダは、ボリュームレンダリングによる3次元新規ビュー合成のためのニューラルラディアンスフィールドの標準三面体表現を直接予測する。
提案手法は消費者ハードウェア上で高速(24fps)であり,テスト時間最適化を必要とする強力なGAN反転ベースラインよりも高品質な結果が得られる。
論文 参考訳（メタデータ） (2023-05-03T17:56:01Z) - A Shading-Guided Generative Implicit Model for Shape-Accurate 3D-Aware
Image Synthesis [163.96778522283967]
そこで本研究では,シェーディング誘導型生成暗黙モデルを提案する。
正確な3D形状は、異なる照明条件下でリアルなレンダリングをもたらす必要がある。
複数のデータセットに対する実験により,提案手法が光リアルな3次元画像合成を実現することを示す。
論文 参考訳（メタデータ） (2021-10-29T10:53:12Z) - Learning Indoor Inverse Rendering with 3D Spatially-Varying Lighting [149.1673041605155]
1枚の画像からアルベド, 正常, 深さ, 3次元の空間的変化を共同で推定する問題に対処する。
既存のほとんどの方法は、シーンの3D特性を無視して、画像から画像への変換としてタスクを定式化する。
本研究では3次元空間変動照明を定式化する統合学習ベースの逆フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-13T15:29:03Z)
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。