論文の概要: RADIANT: Object-Centric Feed-Forward Global Illumination

• arxiv url: http://arxiv.org/abs/2610.32075v1
• Date: Fri, 23 Oct 2026 02:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.327074
• Title: RADIANT: Object-Centric Feed-Forward Global Illumination
• Title（参考訳）: RADIANT: オブジェクト中心フィードフォワードグローバル照明
• Abstract要約: フィードフォワードニューラルネットワークは、シーンごとの最適化や実行時のレイトレーシングなしに、新しい3Dシーン間でグローバル照明を合成する。 我々は、ポイント入力からのフィードフォワード大域照明のためのオブジェクト中心アーキテクチャであるRADIANTを紹介する。
• 参考スコア（独自算出の注目度）: 33.37187604514285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feed-forward neural renderers synthesize global illumination across novel 3D scenes without per-scene optimization or runtime ray tracing. Existing transformer-based renderers tokenize individual triangles, so self-attention scales quadratically with mesh resolution. Yet macroscopic radiative transport is governed by the underlying surface geometry and object arrangements rather than a particular mesh discretization; finer tessellation can thus inflate token counts without changing the underlying transport physics, motivating a discretization-agnostic and object-centric representation. We introduce RADIANT (RADiance-based Inter-Actor Neural Transformer), an object-centric architecture for feed-forward global illumination from point inputs. By representing each object with a compact budget of 32 surface-patch tokens, RADIANT decouples attention sequence length from polygon counts. In a single network, an inter-object scene transformer models 3D radiative exchange and a view decoder renders images at target camera poses. To capture light transport without materializing O(N^2) bias matrices, invariant form-factor attention embeds geometric distances and surface orientations directly into query-key dot products as SE(3)-invariant inner products weighted by learned area and material gains. For primary visibility without mesh connectivity, camera rays cross-attend scene tokens guided by depth-tested point splats in a shared spherical frame. Across a 1.03M-scene benchmark under matched model capacity, RADIANT reaches 25 dB tone-mapped PSNR in 5x fewer training steps than RenderFormer, and achieves 32.2 dB at 600k steps (+3.3 dB over RenderFormer and +7.6 dB over RenderFormer-V2). We further demonstrate the scalability of RADIANT, which completes a 512x512 forward pass of a 500-object scene in 0.83 s, with computational cost scaling with the number of objects rather than polygons.
• Abstract（参考訳）: フィードフォワードニューラルレンダラーは、シーンごとの最適化や実行時のレイトレーシングなしに、新しい3Dシーン間でグローバル照明を合成する。 既存の変圧器ベースのレンダラーは個々の三角形をトークン化するので、自己注意はメッシュ解像度で2次的にスケールする。 しかし、マクロな放射輸送は、特定のメッシュの離散化ではなく、基底となる表面形状と物体配置によって制御されるため、より微細なテッセル化は、基底となる輸送物理を変えることなくトークン数を膨らませ、離散化に依存しないオブジェクト中心の表現を動機付けることができる。 本稿では,ポイント入力からのフィードフォワードグローバル照明のためのオブジェクト中心アーキテクチャであるRADIANT(Radiance-based Inter-Actor Neural Transformer)を紹介する。 各オブジェクトを32面パッチトークンのコンパクトな予算で表現することにより、RADIANTはポリゴン数から注目シーケンスの長さを分離する。 1つのネットワークでは、オブジェクト間シーントランスフォーマーが3D放射交換をモデルとし、ビューデコーダがターゲットカメラのポーズで画像をレンダリングする。 O(N^2)バイアス行列を具体化せずに光輸送を捉えるために、変形因子の注意が幾何学的距離と面配向を直接クエリキードット製品に埋め込んで、学習領域と材料ゲインによって重み付けされたSE(3)不変内積とする。 メッシュ接続のない一次可視性のために、カメラ線は、共有球面フレーム内の深度テストされた点スプラットによって案内される横断的なシーントークンである。 モデル容量にマッチした1.03Mのベンチマークで、RADIANTはRenderFormerより5倍少ないトレーニングステップで25dBのPSNRに達し、600kステップで32.2dB(RenderFormerより+3.3dB、RenderFormerより+7.6dB)を達成した。 さらに,500オブジェクトシーンを0.83秒で512x512前方通過するRADIANTのスケーラビリティを示す。

関連論文リスト

• 3D Point Splatting for mmWave Radar Novel View Synthesis [18.777328493392762]
  ミリ波(mmWave)レーダーのための新しいビュー合成(NVS)には、物理的に忠実で、複雑で、多視点抽出が可能な計算が必要である。 この3つの特性を同時に達成する事前の方法は存在しない。 微分可能なモンテカルロ線トレーサは、明示的な物質モデリングと複雑な出力でレーダーフォワードモデルを直接実装する。 本稿では,レーダの標準固体角形状から直接導出した,レーダの最初の微分可能点である3Dポイントスプラッティングを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:52:17Z)
• Talk2Sensors: 3D Visual Grounding in Autonomous Driving via Sensor-Adaptive Physical Cue Matching [66.91228384649921]
  Talk2Sensorsは、カメラ、LiDAR、および4Dレーダ上に構築された最初のマルチセンサ3Dビジュアルグラウンドデータセットである。 本稿では,自動走行における言語誘導型3次元視覚グラウンドのためのトランスフォーマーベースの統合フレームワークTSFormerを提案する。
  論文  参考訳（メタデータ） (2026-08-05T07:58:35Z)
• 3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, and Low-Texture Objects [41.25903201175962]
  3DReflecNetは22TBを超える大規模ハイブリッドデータセットである。 このデータセットは、様々な材料、複雑な照明条件、幅広い幾何学的形態にまたがる。 我々は、画像マッチング、構造移動、新しいビュー合成、削除、リライティングの5つのコアタスクのベンチマークを設計する。
  論文  参考訳（メタデータ） (2026-05-11T08:51:28Z)
• A Generalizable Light Transport 3D Embedding for Global Illumination [30.088406137167997]
  本稿では,3次元シーン構成から直接グローバル照明を近似する一般化可能な3次元光輸送埋め込みを提案する。 スケーラブルトランスフォーマーは、グローバルなポイントツーポイントインタラクションをモデル化して、これらの機能をニューラルプリミティブにエンコードする。 様々なレイアウト, 形状, 材料を有する屋内の様々なシーンにまたがって, グローバル照明の拡散予測結果を示す。
  論文  参考訳（メタデータ） (2025-10-21T00:29:09Z)
• LaRI: Layered Ray Intersections for Single-view 3D Geometric Reasoning [75.9814389360821]
  層状光線交差(LaRI)は、1つの画像から未知の幾何学的推論を行う新しい方法である。 コンパクトで階層的な表現から恩恵を受けることで、LaRIは完全で効率的でビュー整合な幾何学的推論を可能にする。 3Dオブジェクトやシーンを含む、合成および実世界のデータのための完全なトレーニングデータ生成パイプラインを構築します。
  論文  参考訳（メタデータ） (2025-04-25T15:31:29Z)
• Slot-guided Volumetric Object Radiance Fields [13.996432950674045]
  本稿では,3次元オブジェクト中心表現学習のための新しいフレームワークを提案する。 本手法では,複雑なシーンを,教師なしの方法で単一の画像から個々のオブジェクトに分解する。
  論文  参考訳（メタデータ） (2024-01-04T12:52:48Z)
• MuRF: Multi-Baseline Radiance Fields [117.55811938988256]
  スパースビュー合成におけるフィードフォワードアプローチであるmulti-Baseline Radiance Fields(MuRF)を提案する。 MuRFは、複数の異なるベースライン設定で最先端のパフォーマンスを達成する。 また、Mip-NeRF 360データセット上でゼロショットの一般化能力を示す。
  論文  参考訳（メタデータ） (2023-12-07T18:59:56Z)
• Is Attention All NeRF Needs? [103.51023982774599]
  Generalizable NeRF Transformer (GNT) は、ソースビューから高速にNeRF(Neural Radiance Fields)を効率的に再構築する、純粋で統一されたトランスフォーマーベースのアーキテクチャである。 GNTは、2つのトランスフォーマーベースのステージをカプセル化することにより、一般化可能なニューラルシーン表現とレンダリングを実現する。
  論文  参考訳（メタデータ） (2022-07-27T05:09:54Z)
• Spatial Acoustic Projection for 3D Imaging Sonar Reconstruction [2.741266294612776]
  マルチビーム画像ソナーを用いた3次元表面の再構成手法を提案する。 3次元格子における固定セル位置の異なる視点からソナーが測定した強度を統合する。 我々は畳み込みニューラルネットワークを訓練し、署名された距離と各セルの最も近い表面への方向を予測できるようにします。
  論文  参考訳（メタデータ） (2022-06-06T18:24:14Z)
• Extracting Triangular 3D Models, Materials, and Lighting From Images [59.33666140713829]
  多視点画像観測による材料と照明の協調最適化手法を提案する。 従来のグラフィックスエンジンにデプロイ可能な,空間的に変化する材料と環境を備えたメッシュを活用します。
  論文  参考訳（メタデータ） (2021-11-24T13:58:20Z)

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。