通过学习辐射传输梯度实现神经照明和次表面散射
本文提出了一种新方法,使用预积分渲染有效地学习可重构的神经表面,同时在神经隐式场内学习几何、材料和照明等物理属性,并在协作上进行优化,实现了在合成和真实数据集中超越现有技术的效果。
Jun, 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
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
本文提出了一种基于 NeRF 的新型管道,用于将物体 NeRF 插入场景 NeRF,实现新视角合成和逼真的光照重新调整,并支持物体之间的物理交互,如互相投射阴影,通过比较相机视角与光源视角之间的深度图并生成生动柔和的阴影,实现了逼真的光照重新调整效果。
Jun, 2024
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。
Dec, 2020
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
提出一种基于神经辐射场和基于对象的神经散射函数的方法,能够在不重新训练的情况下,对静态及动态场景进行光线追踪模拟,拥有在新光照和新物品排列情况下泛化能力的物理准确的多物体场景组成渲染技术。
Dec, 2020
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
我们介绍了一种新的框架,使用数据驱动方法来模拟和校准摄像机 - 光源系统,并应用于创建一种可重新照明的 3D 高斯场景模型,从而实现了从新的视点进行实时、逼真渲染的能力,并展示了我们所提出的模拟器和系统在各种实际环境中的适用性和强健性。
Mar, 2024