本文提出了一种基于图像的光传输获取方法,通过学习一种嵌入基于纹理图集的神经表示,将所有的非漫反射和全局光传输建模为添加到基于物理精度的漫反射基本渲染的残差项。其中,通过融合先前看到的不同光源和观察角度来合成同一场景下所需照明条件下的新图像,从而实现可以复杂地重现场景或仿佛真实的改变其外观。
Aug, 2020
本文介绍了一种基于小波分解的编码器-解码器网络,命名为WDRN,用于解决一对一的照明重新校准问题,提出了一种名为gray loss的新型损失函数以保证对地真图像中照明的梯度在不同方向上的高效学习,该方案在AIM2020工作坊的relighting挑战活动中获得了第一名。
Sep, 2020
本文提出了一种基于深度学习的图像去光照方法,将传统方法和深度学习模型相结合,并且通过物理洞察力量化来丰富神经网络,实现了对图像的更好去光照。
May, 2021
提出了一种自监督的方法来解决室外场景打光的问题,该方法只依靠采集自互联网的图像,可训练出通用的解决方案,并能够生成真实感和物理上合理的结果。
Jul, 2021
提出一种新的逆向渲染框架,能够从一组RGB图像中联合重建场景几何、空间变化的材料和HDR照明,并支持物理场景操作,例如射线跟踪阴影投射。
Apr, 2023
本文提出了一种基于体渲染的光传输场学习框架,利用各种外观线索来优化几何,扩展重建和重新照明的能力,提高对于具有亚表面散射效应等更多种材料的处理能力。
Jun, 2023
该研究论文提出了一种新方法,通过在阴影区域中校正本地光照来修复被衰减的纹理。实验证明,该方法在三个基准测试上优于现有的阴影去除方法。
Feb, 2024
提出了一种新颖的端到端二维照明扩散模型 Neural Gaffer,通过将图像生成器条件化于目标环境图,可以在任意新环境照明条件下综合出准确、高质量的复照图像,而不需要显式场景分解。
Jun, 2024
RRM是一种能够在高度反射物体存在的情况下提取场景的材料、几何形状和环境光照的方法,通过一种基于物理感知的辐射场表示和基于拉普拉斯金字塔的表达性环境光结构,我们展示了我们的方法在参数提取任务上胜过现有技术,能够实现高保真的照明重构和新视角合成。
Jul, 2024
本研究针对单张图像重光照中生成在任意光照条件下的现实图像这一难题,提出了两个新数据集以应对数据匮乏的问题,并建立了基于内在分解的两阶段网络架构,引入物理约束。该方法在性能上超越了最先进的技术,并可生成适用于各种光照条件的动态效果,具有广泛的应用潜力。
Sep, 2024