論文の概要: Learning the Missing Derivative: Neural Multiple-Scattering Operators for Inverse Volume Rendering
- arxiv url: http://arxiv.org/abs/2611.16650v1
- Date: Thu, 12 Nov 2026 11:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.456955
- Title: Learning the Missing Derivative: Neural Multiple-Scattering Operators for Inverse Volume Rendering
- Title(参考訳): 欠落導関数の学習:逆ボリュームレンダリングのためのニューラル多重散乱演算子
- Abstract要約: 我々は、ニューラル演算子による多重散乱場を予測し、トランスミタンスと単一散乱を直接計算しながら、逆レンダリング中にそれを区別する。
我々は、モンテカルロ散乱場監視を用いて、演算子によって駆動される反転中の状態の微調整によってこの問題に対処する。
ホールドアウトした光学的に厚い雲では, 凍結源トモグラフィーの光照度は等時的に向上し, より時間的に異なる経路追跡性能が向上する。
- 参考スコア(独自算出の注目度): 6.849529713330209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing optically thick media from photographs requires modeling multiple scattering and its response to changes in extinction. Frozen-source tomography discards this derivative; differentiable path tracing estimates it through expensive, noisy sampling. We instead predict the multiple-scattering field with a neural operator and differentiate through it during inverse rendering, while computing transmittance and single scattering directly. A further challenge arises during optimization: an operator that predicts the field accurately on held-out media can still produce poor derivatives at the density states visited by the optimizer. We address this by fine-tuning on states generated during inversions driven by the operator, using Monte Carlo scattering-field supervision. On held-out optically thick clouds, our method improves relighting over frozen-source tomography at equal time and outperforms differentiable path tracing given substantially more time. Training on inversion trajectories also improves derivative alignment at visited states and reduces optimization drift.
- Abstract(参考訳): 写真から光学的に厚い媒体を再構成するには、多重散乱のモデル化と、その消滅の変化に対する応答が必要である。
冷凍源トモグラフィーは、この誘導体を捨て、ノイズの多い高価なサンプリングを通して、微分可能な経路トレースを推定する。
代わりに、ニューラル演算子を用いて多重散乱場を予測し、逆レンダリング中にそれを微分し、透過率と単一散乱を直接計算する。
ホールドアウトメディア上でフィールドを正確に予測する演算子は、オプティマイザが訪れた密度状態において、悪いデリバティブを生成できる。
我々は、モンテカルロ散乱場監視を用いて、演算子によって駆動される反転中の状態の微調整によってこの問題に対処する。
ホールドアウトした光学的に厚い雲では, 凍結源トモグラフィーの光照度は等時的に向上し, より時間的に異なる経路追跡性能が向上する。
逆軌道の訓練は、訪問状態における微分アライメントを改善し、最適化ドリフトを低減する。
関連論文リスト
- Flux-form spatiotemporal neural operators for coarse-grained dynamics of multiscale PDEs [6.160113667162026]
マルチスケールPDEシステムにおける粗粒度力学のデータ駆動予測について検討する。
閉包のない演算子学習の視点を応用し、線形粗粒度マップを適用し、解決されたフィールドに対する代理進化演算子を学習する。
本研究では, 粗粒バーガー方程式, 倉本-シヴァシンスキー方程式, 二次元乱流について検証した。
論文 参考訳(メタデータ) (2026-08-11T00:55:16Z) - Differentiable Polarized Path Tracing [60.271569691679794]
物理ベースの微分可能レンダリングは、逆レンダリング問題に対する強力なツールであることが証明されている。
本稿では,ロバストかつ偏光に配慮した識別可能な経路トレース手法を提案する。
この定式化により、複雑なシーンにおける材料および照明パラメータの効率的かつ安定した最適化が可能となる。
論文 参考訳(メタデータ) (2026-07-14T20:58:08Z) - FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion [52.3830227666301]
FlowPainterは拡散に基づく光フローフレームワークで、密度フローの生成を信頼性誘導型軟塗布として再構成する。
提案手法は,光学的フロー推定のための拡散型改良法と信頼性の高い識別前処理を統合するための実用的な方法を提供する。
論文 参考訳(メタデータ) (2026-07-11T05:59:22Z) - Timestep Rescheduling in Diffusion Inversion [79.30105376216544]
ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを示す。
本稿では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合した,シンプルで効果的な非一様タイムスケジューラを提案する。
本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。
論文 参考訳(メタデータ) (2026-06-13T16:32:01Z) - Neural Adjoint Method for Meta-optics: Accelerating Volumetric Inverse Design via Fourier Neural Operators [0.0]
酸化誘電率の体積から3次元の随伴勾配場を予測する。
勾配に基づく更新を駆動する密度の高いボクセル単位の感度場を学習することにより、解の解法を高速な予測で置き換えることができる。
論文 参考訳(メタデータ) (2026-04-19T13:10:13Z) - DeepInv: A Novel Self-supervised Learning Approach for Fast and Accurate Diffusion Inversion [65.5172878666262]
拡散インバージョンは、実行可能な監視信号が欠如しているため、難しい課題である。
本稿では,Deep Inversion(DeepInv)と呼ばれる自己教師付き拡散インバージョン手法を提案する。
DeepInvはまた、パラメータ化インバージョンソルバをトレーニングするための反復的かつマルチスケールのトレーニングシステムも備えている。
論文 参考訳(メタデータ) (2026-01-04T11:27:26Z) - Toward Theoretical Insights into Diffusion Trajectory Distillation via Operator Merging [10.315743300140966]
拡散軌道蒸留は、高品質な出力を生成するがサンプリング速度の遅い拡散モデルのサンプリングを加速することを目的としている。
信号の忠実度を最大に保存する最適なマージ戦略を計算するためのプログラミングアルゴリズムを提案する。
本研究は, 拡散軌道蒸留の理論的理解を高め, 蒸留戦略改善のための実践的洞察を提供するものである。
論文 参考訳(メタデータ) (2025-05-21T21:13:02Z) - Enhancing Dynamic CT Image Reconstruction with Neural Fields and Optical Flow [0.0]
偏微分方程式に基づく動的逆問題に対する明示的運動正規化器の導入の利点を示す。
また、ニューラルネットワークをグリッドベースの解法と比較し、前者はPSNRで後者より優れていることを示す。
論文 参考訳(メタデータ) (2024-06-03T13:07:29Z) - ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳(メタデータ) (2024-03-21T17:52:08Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳(メタデータ) (2022-11-24T07:30:27Z)
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。