Nov, 2023

NeISF：神经事故斯托克斯场的几何和材料估计

PDF
TL;DR从不同视角下的图像序列中估计场景参数的多视角逆渲染问题，通过利用极化线索来减少歧义性，以物理为基础的可微分极化渲染器辅助下，提出了神经入射斯托克斯场（NeISF）的多视角逆渲染框架。实验结果表明，该方法在合成和真实场景中优于现有作品。
multi-view inverse renderingneural incident stokes fieldspolarization cuesambiguitiesphysically-based differentiable polarimetric renderer
发现论文，激发创造
  • NeILF: 基于神经网络的物理感材料估计的入射光场

    本文提出了基于可微分渲染的方法，通过神经入射光场和多层感知机模擬的表面 BRDF 模型来实现多视图图像和重构几何体的物质和照明估计，该方法能够准确估计静态场景的照明，并可自然处理遮挡和间接光线，未需多次反射。我们在多个场景数据集上实验，结果表明本方法以显著的优势超越现有方法，成为图像物质和照明估计的新的最佳实践。

    Mar, 2022

  • NePF：用于单阶反渲染的神经光子场

    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

  • NeFII：近场间接照明反演渲染下的反射分解

    本文提出了一种端到端的反渲染算法，使用 Monte Carlo 路径追踪缓存间接光照信息，以实现物质和光照的分解，并通过内在神经辐射与路径追踪结果之间的辐射一致性约束及联合优化方法来提高分解表现，实验证明该方法在多个合成和真实数据集上的表现优于现有技术，尤其在互反分解方面。

    Mar, 2023

  • PS-NeRF：基于神经网络的多视图光度立体反演

    本研究提出了一种基于神经反演渲染的多视角光度立体（MVPS）方法，能够同时估算几何形状、材料和光源，并且在人工渲染、再照明和材质编辑方面具有较高的精度。

    Jul, 2022

  • 神经场遇上显式几何表示，逆向渲染城市场景

    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

  • 通过神经透视函数和辐射场的反渲染光滑物体

    基于 NeRFs 和光线追踪，我们提出了一种 5D 神经光场（NeP），通过渲染方程，可以更准确地表达光照 - 物体相互作用，同时使用材质感知锥采样策略有效地集成 BRDF 波束内的光源。

    Mar, 2024

  • 神经光谱偏振场

    本文提出了一种名为 NeSpoF 的神经表征，用于建模光谱偏振场，可展现光谱和极化特性，同时对现实世界中的场景进行了多视角高光谱偏振成像。

    Jun, 2023

  • 揭示神经反向渲染中的歧义性：参数补偿分析

    通过利用神经微面场 (NMF) 作为一种先进的神经反渲染方法，本文旨在阐述反渲染的固有模糊性，并提出了一种评估框架来评估预估场景属性之间的补偿或相互作用程度，以探索这个不适定问题的机制和潜在缓解策略。实验结果强调了神经反渲染中的内在模糊性，并突出了通过几何、材料和照明先验提供额外指导的重要性。

    Apr, 2024

  • NeuS-PIR: 使用预积分渲染学习可重新照明的神经表面

    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

  • I$^2$-SDF：使用神经 SDF 射线追踪进行室内场景本质重建与编辑

    本研究提出了一种基于神经距离场的方法，利用可微分的蒙特卡罗光线跟踪技术，从多视角图像中恢复室内场景的形状、辐射和材料，并进行物理模拟和逼真的场景编辑。实验结果表明，该方法在室内场景重建、新视角合成和场景编辑方面优于现有的基线方法。

    Mar, 2023