CVPRJun, 2019

快速的空间变化室内照明估计

PDF
TL;DR本研究提出了一种实时方法来从单个 RGB 图像估计空间变化的室内照明，使用一个 CNN 模型，它可以在少于 20ms 的时间内在笔记本电脑移动图形卡上预测给定位置处的照明情况，并且不需要任何几何信息，可以直接用于增强现实应用，可以实时在场景中的任何位置更改虚拟物体的光照效果。经过定量实验和用户研究，我们的方法比现有方法具有更低的照明估计误差和更好的用户体验。
发现论文，激发创造
  • 时空一致的室内 HDR 照明估计

    该研究提出了一种物理动机的深度学习框架，可以解决室内光照估计的问题，通过 SGLV、体积光线跟踪、混合网络、 Monte-Carlo 渲染层和 RNN 等多种技术手段，其可以在单张图片或视频序列上预测整个场景下的光照，达到高质量、实时、高度真实感的场景光照预测和增强渲染。

    May, 2023

  • PointAR：移动增强现实的高效照明估计

    本篇论文提供了一个适用于现代移动设备的高效照明估计流程，称为 PointAR。该方法基于点云，可用于支持空间变异的室内照明，具有与移动特定 DNN 相当的资源复杂度。PointAR 具有比现有方法更低的光照估计误差。

    Mar, 2020

  • 深度参数室内光线估计

    提出了一种利用深度神经网络从单张室内场景图片中估算光照的方法，利用离散化的 3D 灯光几何和光度参数进行表征，并证明该方法比以往方法更加精确并能支持空间变化光照的三维物体合成。

    Oct, 2019

  • LightOctree：轻量级三维空间一致性室内照明估计

    我们提出了一种轻量级的解决方案，用于从单个 RGB 图像估计室内灯光的空间一致性。我们引入了一个统一的、基于体素八叉树的光照估计框架，以生成 3D 空间一致的照明。此外，我们提出了一个可微的体素八叉树锥追踪渲染层，用于消除整个过程中的常规体积表示，并确保在不同频域之间保持特征。实验结果表明，与先前的方法相比，我们的方法在极小的成本下实现了高质量的一致估计。

    Apr, 2024

  • 室内可编辑照明估算

    本文提出了一种从单个视角图像中估算室内场景照明的方法，该方法估算出易于编辑的参数化光源，并结合高频信息的非参数纹理，实现宏观阴影和细节表面反射的逼真渲染效果。定量和定性结果表明，该方法简化了室内照明估算过程，同时仍能产生竞争性的结果。

    Nov, 2022

  • 基于物体的，考虑渲染的神经网络光照估计

    提出了一种方法，通过逆向渲染的物理原理来约束解决方案，同时利用神经网络来增强处理的计算能力，以提高对嘈杂输入数据的鲁棒性并实现高精度的目标物体光照估计，从而在 AR 情境下实现真实感增强。

    Aug, 2020

  • 神经照明：室内环境照明预测

    该论文提出了一种名为 “Neural Illumination” 的新方法，将光照预测分解成几个简单的不同 iable 子任务：几何估计、场景完成和 LDR-to-HDR 估计，并表明与以前的方法相比，该方法在定量和定性方面都得到了显着的改进。

    Jun, 2019

  • 从内部参数估计空间变化的室外照明

    该研究介绍了一种名为 SOLID-Net 的神经网络用于从单个室外图像估计不同位置的室外光照。该方法使用一个全局天空环境图和图像中的几何信息，生成了可变的局部光照环境图，利用其进行了全局和局部的光照估计，并且利用全球物理上合理的数据集，证明其性能优于之前的方法。

    Apr, 2021

  • 学习从 3D 物体估计室内照明

    本文提出了一种基于深度学习和编码隐空间技术，利用包含 21000 个高动态范围室内环境地图的数据集，从单张室内物体图片中准确预测环境光的方法。

    Jun, 2018

  • 深度户外照明估计

    本文介绍了一种基于卷积神经网络的方法来从低动态范围（LDR）图像中估算高动态范围（HDR）全景图的户外照明，通过训练网络并提取大量的输入图像与输出照明参数对，本文的方法允许恢复真实感照明条件并能从单一图像中实现逼真的虚拟物体插入。

    Nov, 2016