NeuS-PIR: 使用预积分渲染学习可重新照明的神经表面
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
该研究通过统一的方式制定了表面和体渲染,从而使得无需任何输入蒙版即可实现准确表面重建,并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。
Apr, 2021
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
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
我们提出了一种新的单阶段框架,神经光子场(NePF),用于解决多视图图像中的逆渲染问题。与以往的方法相反,我们质疑在多个阶段中恢复几何、材质和光照,并从不同的神经场中提取属性的复杂性,并介绍了一种单阶段框架,统一恢复所有属性。NePF 通过充分利用神经隐式表面权重函数和视角相关辐射的物理含义,实现了这种统一。此外,我们引入了一种创新的基于坐标的快速体积物理渲染照明模型。为了规范这个照明,我们实现了扩散估计的亚表面散射模型。我们在真实和合成数据集上评估了我们的方法。结果表明,我们的方法在恢复高保真几何和可视合理的材料属性方面具有优越性。
Nov, 2023
该研究提出一种逆向渲染方法,通过多视角图像恢复场景的表面、材质和光照,可以处理具有光泽物体或亮光照明场景,无需使用附加数据,三个阶段的方法通过漫反射和镜面颜色考虑复杂视角依赖光照效果对表面重构,该方法在不依赖任何附加数据的情况下,优于当前状态下表面材质和光照恢复的最佳方法。
May, 2023
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
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
本研究提出了一种新颖的神经隐式亮度表示方法,用于从一小组不规则的物体照片中进行自由视角重照。我们通过多层感知器将形状表示为有符号距离函数。与先前的隐式神经重照方法不同,我们没有分离不同的反射分量,而是通过第二个多层感知器在每个点上模拟局部和全局反射,并融合阴影和高光提示来辅助网络对应的高频光传输效果建模。在合成和真实场景中展示和验证了我们的神经隐式表示方法,这些场景具有各种形状、材料属性和全局光照传输。
Aug, 2023
本研究提出一种全可微分的神经自适应环境光照 (NeAI) 框架,使用神经光辐射场 (NeRF) 作为光照模型,解决了简化光照模型的不足,并通过实验表明在新视角渲染方面的卓越性能,为弥合虚拟和现实场景之间的差距打开了令人兴奋的可能性。
Apr, 2023