論文の概要: Integrating Learned Priors through Prior-Space Reparameterization for Physically Based Inverse Rendering

• arxiv url: http://arxiv.org/abs/2611.07573v1
• Date: Thu, 05 Nov 2026 07:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.580883
• Title: Integrating Learned Priors through Prior-Space Reparameterization for Physically Based Inverse Rendering
• Title（参考訳）: 物理ベース逆レンダリングのための事前空間パラメータ化による学習前処理の統合
• Abstract要約: 物理ベースの逆レンダリングは、学習材料予測が有用な事前情報を提供する曖昧な問題である材料と照明に外観を分解する。 そこで本稿では,予測特徴関係を用いて目標を一定に保ちながら,最適化空間を制限した事前誘導材質再パラメータ化を提案する。 3つのベンチマークで2つの学習した予測器とスタンフォード-ORBによる実験により、材料の分解とリライトが改善された。 提案手法は,Synthetic4RelightとTensoIR-Syntheticで評価されたメッシュベースラインよりも1.5-2.5dBのPSNRの照準を向上し,制御された比較において同じ先行値を用いて正規化損失よりも優れていた。
• 参考スコア（独自算出の注目度）: 34.44626505543736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physically based inverse rendering decomposes appearance into materials and illumination, an ambiguous problem for which learned material predictions provide useful prior information. Most existing methods incorporate these cues through auxiliary regularization losses, which alter the optimization objective and require balancing their influence against photometric fitting. We propose a prior-guided material reparameterization that uses the predicted feature relationships to restrict the optimization space while leaving the objective unchanged. We fuse multi-view material predictions onto a mesh and construct a permutohedral lattice in the resulting prior feature space. Surface points with similar predictions share material variables, which are optimized jointly with geometry and illumination using a purely photometric objective. Experiments with two learned predictors on three synthetic benchmarks and Stanford-ORB demonstrate improved material decomposition and relighting. Our method improves relighting PSNR by 1.5-2.5 dB over the strongest evaluated mesh-based baseline on Synthetic4Relight and TensoIR-Synthetic, and outperforms a regularization loss using the same prior in controlled comparisons. We further show that our reparameterization pools noisy photometric gradients, producing updates that are more consistent across sampled views. This consistency enables a shortened joint optimization schedule that takes less than a minute while retaining relighting quality above all evaluated baselines on TensoIR-Synthetic.
• Abstract（参考訳）: 物理ベースの逆レンダリングは、学習材料予測が有用な事前情報を提供する曖昧な問題である材料と照明に外観を分解する。 既存の手法の多くは、これらのキューを補助的な正則化損失を通じて組み込んでおり、最適化の目的を変更し、光度フィッティングに対する影響のバランスをとる必要がある。 本稿では,予測特徴関係を用いて目標を一定に保ちながら,最適化空間を制限した事前誘導材質再パラメータ化を提案する。 メッシュ上に多視点の材料予測を融合させ,得られた特徴空間に多面体格子を構築する。 類似した予測を持つ表面点は材料変数を共有し、これは純粋に測光的目的を用いて幾何学と照明を併用して最適化される。 3つのベンチマークで2つの学習した予測器とスタンフォード-ORBによる実験により、材料の分解とリライトが改善された。 提案手法は,Synthetic4RelightとTensoIR-Syntheticで評価されたメッシュベースラインよりも1.5-2.5dBのPSNRの照準を向上し,制御された比較において同じ先行値を用いて正規化損失よりも優れていた。 さらに、我々の再パラメータ化プールはノイズの多い光度勾配を示し、サンプルビュー間でより一貫性のある更新を生成する。 この整合性により、テンソ赤外線合成による評価基準線以上の照度を維持しつつ、1分以内の関節最適化スケジュールを短縮することが可能となる。

関連論文リスト

• Scalable Bayesian Optimization of Composite Functions for Image-Based Inverse Problems in Materials Characterization [5.770536692916853]
  物理パラメータを科学的画像から推定することは、材料評価において一般的な逆問題である。 複合関数(SBOCF)のスケーラブルベイズ最適化を提案する。 SBOCFは、画像マッチング対象の既知の合成構造と、シミュレーション画像に含まれる中間情報を利用する。
  論文  参考訳（メタデータ） (2026-09-02T05:34:13Z)
• Diffusion-Based Material Regularization for Physics-Based Inverse Rendering [15.757134066510135]
  多視点画像から物理ベースの3Dアセットを再構築することは、コンピュータグラフィックスとビジョンにおける中核的な問題である。 拡散予測がほぼ一定である表面領域上での最適材料の偏差をペナライズする正規化器を導入する。 本手法は,再現精度と照明品質の両方において,最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-30T02:52:06Z)
• Intrinsic Image Fusion for Multi-View 3D Material Reconstruction [49.43509537480623]
  多視点画像から高品質な物理材料を再構成するIntrinsic Image Fusionを導入する。 本研究は, 合成シーンと実シーンの両方において, 素材のゆがみにおいて, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-15T10:05:59Z)
• GAINS: Gaussian-based Inverse Rendering from Sparse Multi-View Captures [23.677487511754006]
  GAINS (Sparse multi-view captures によるガウスベースの逆レンダリング) を導入する。 これは2段階の逆レンダリングフレームワークであり、学習に基づく事前情報を利用して幾何学と材料推定を安定化する。 材料パラメータの精度、ライティング品質、新しいビューの合成を最先端の逆レンダリング法と比較して大幅に改善する。
  論文  参考訳（メタデータ） (2025-12-10T18:58:11Z)
• MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
  より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。 本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-10-13T13:29:20Z)
• Spec-Gloss Surfels and Normal-Diffuse Priors for Relightable Glossy Objects [42.30107053583194]
  本稿では,マイクロファセットBRDFとスペキュラ・グロシネスパラメータ化を統合した2次元ガウス平滑化フレームワークを提案する。 環境マップの粗大な最適化は収束を加速し、高ダイナミックレンジのスペクトル反射を保存する。
  論文  参考訳（メタデータ） (2025-10-02T14:34:46Z)
• GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
  GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。 最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。 この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
  論文  参考訳（メタデータ） (2024-10-31T17:57:07Z)
• Physically-Based Photometric Bundle Adjustment in Non-Lambertian Environments [59.96101889715997]
  光度バンドル調整(PBA)は、ランベルトの世界を仮定してカメラのポーズと3次元幾何学を推定するのに広く用いられる。 光度一貫性の仮定は、現実の環境では非拡散反射が一般的であるため、しばしば違反される。 そこで本研究では,この問題を解決するための物理ベースPBA法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T10:22:07Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)

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。