ICCVDec, 2020

NeRD: 图像集合中的神经反射分解

PDF
TL;DR本论文提出了一种使用基于物理的渲染来分解场景并产生具有 BRDF 材料属性的可重光纹理网格的方法，可适用于不同光照条件下获取的图像，实验证明该方法能够从图像集合中获得高质量的可重光 3D 资源。
reflectance decompositioncomputer visionphysically-based renderingbrdf material propertiesrelightable 3d assets
发现论文，激发创造
  • 神经预积分光照反射分解

    本文提出了一种新颖的反射率分解网络，通过使用 Neural-PIL 替换昂贵的照明积分操作和使用平滑流形自编码器学习深度低维表现，实现了物体图像的形状、BRDF 和每个图像的照明的估计，得到的分解结果可有效地提高 BRDF 和光估计的准确性，实现更准确的新视图合成。

    Oct, 2021

  • 神经辐射场中的学习式光照重建和内在分解

    我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

    Jun, 2024

  • 基于 RGB-D 图像的辐射场景分解：场景反射率、照明和几何

    通过利用 RGB-D 图像重建场景的几何和同时恢复复杂反射和自然照明的 radiometric 成分，从而对多个未知材料对象进行空间变化的建模，可以实现从 RGB-D 图像中恢复丰富的 radiometric 信息，并展示 RGB-D 传感器在场景理解任务中的新角色。

    Apr, 2016

  • DeRF: 分解辐射场

    本文介绍一种基于空间分解的神经辐射场渲染技术，实验表明该技术在保证渲染质量的同时，提供了比 Neural Radiance Fields 更高效的推理速度，可 GPU 友好地进行渲染。

    Nov, 2020

  • 通过无监督分解和增强点云照明的 NeRF

    该论文介绍了一种名为低光线神经光辐射场（或 LLNeRF）的新方法，通过一种无监督的方式，将场景表示增强，并直接从 sRGB 低光线图像中合成正常光照的新视图。该方法能够通过学习辐射场的分解，提高照明效果、减少噪声和更正失真的颜色，从而产生具有适当照明、生动颜色和细节的新视图图像。实验证明，该方法优于现有的低光照增强方法和神经光辐射场方法。

    Jul, 2023

  • NeRS: 野外环境下稀疏视角 3D 重建的神经反射表面

    本文介绍了一种基于表面模型的神经重建方法 Neural Reflectance Surfaces (NeRS)，通过表面重建和双向反射分布函数 (BRDF) 学习了拍摄对象的形状、漫反射颜色和镜面高光等参数，适用于多角度拍摄的实际场景数据。

    Oct, 2021

  • 可编辑的小说视角合成的统一分解和组合 NeRF 学习

    本论文提出了一个统一的神经辐射场（NeRF）框架，以有效地进行场景分解和合成，用于建模现实世界场景，通过学习不同对象的解耦 3D 表示进行场景编辑，同时为新颖视角合成建模整个场景表示。

    Aug, 2023

  • 神经反射场的外观获取

    本研究提出了一种新的深度场景表示方法 —— 神经反射场，该方法使用全连接的神经网络编码场景中任意 3D 点的体密度、法线和反射属性，并将其与可微分的物理模型相结合，从而能在任意视点和光照条件下渲染图像，实现高质量的视角合成和照明重建。

    Aug, 2020

  • NeRV：用于重新照明和视图合成的神经反射率和可见性场

    该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的 3D 表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

    Dec, 2020

  • IllumiNeRF: 无需逆渲染的 3D 照明

    通过使用图像扩散模型对输入图像进行重新照明，并利用这些重新照明的图像重建神经辐射场（NeRF），我们提出了一种更简单的方法来实现利用目标光照下的新视点渲染的三维表示，并在多个重新照明基准测试中取得了最新的结果。

    Jun, 2024