随机纹理过滤
通过引入Deferred Neural Rendering和Neural Textures,本文提出一种新的渲染模型,可以快速准确地合成出高质量的视觉效果,即使输入的3D内容不完整嘈杂,同时可以在多个应用领域内进行使用,例如在新颖的视角合成,场景编辑和面部复制等方面。
Apr, 2019
本论文基于高斯金字塔进行了图像纹理滤波,通过逐步上采样低分辨率的高斯金字塔层级来平滑纹理,保留主要图像结构。该方法在各种应用中表现出很好的效果,包括细节增强、图像抽象、HDR调节、反半色调、LDR图像增强。
May, 2023
逆向渲染是从图像中推断场景属性的挑战性逆向问题。我们提出了一种新颖的方案,将预训练于自然照明图上的降噪扩散概率模型与可微分路径追踪器相结合,允许从自然且能解释图像观察的光照和空间变化的表面材料组合中进行采样,以恢复材料并生成高度逼真和多样化的环境贴图样本。
Sep, 2023
通过神经重参数纹理优化,我们提出了一种基于文本的高保真度纹理映射合成方法Paint-it。通过优化合成文本描述中的纹理映射,利用分数蒸馏采样(SDS),并使用深度卷积物理渲染(DC-PBR)重新参数化基于物理的渲染纹理映射,以获得杂质滤波和优化课程调度,并能够在短时间内生成出色质量的PBR纹理映射。
Dec, 2023
该研究提出了一种高分辨率、高保真度的纹理恢复技术,通过使用粗糙纹理作为初始输入,增强合成纹理与初始纹理之间的一致性,从而解决用户简化操作引起的混叠和模糊问题,并引入了基于自我监督方案的背景噪声平滑技术来解决当前高分辨率纹理合成方案中的噪声问题。该方法促进了高分辨率纹理合成,为高清晰度和高细节纹理合成技术铺平了道路。实验表明,在高分辨率条件下,我们的方案在高保真度纹理恢复方面的表现优于目前已知方案。
Mar, 2024
通过扩散模型以及逆渲染和生成图像合成的方法,我们提出了改进的模型来实现逆向渲染问题RGB→X和合成问题X→RGB的效果。我们的模型在室内场景图像领域具有高度的灵活性和真实性。
May, 2024
应用纹理滤波在BSDF评估之后比当前常见的BSDF评估前应用更准确的纹理图像技术,并通过随机采样提供了高效的纹理滤波方法,适用于实时和离线渲染,并且通过空时去噪或适度的像素采样率可有效处理随机滤波引入的额外误差。
May, 2024
本研究针对纹理领域缺乏大规模多样数据的问题,提出了一种新方法和数据集,用于生成高质量、多样的纹理图像。通过开发输入提示、调整生成模型以及严格筛选,最终创建了一个包含362,880幅纹理图像的Prompted Textures Dataset (PTD)。研究发现,纹理图像在安全过滤过程中容易被错误标记,揭示了当前模型的潜在偏见。
Sep, 2024