DarkGS: 学习神经照明和 3D 高斯重照技术,用于黑暗环境下的机器人探索
在本文中,我们通过使用一组可重新照明的 3D 高斯点来表示点光源照亮的场景,提出了一种新方法。受到 Blinn-Phong 模型的启发,我们的方法将场景分解为环境、漫反射和镜面三个组成部分,实现了逼真的照明效果合成。为了促进与光照条件无关的几何信息的分解,我们引入了一种基于双层优化的元学习框架。基本思想是将各个光照位置下的渲染任务视为多任务学习问题,我们的元学习方法通过在不同视点和不同光照位置中泛化学习到的高斯几何形状,有效地解决了这一问题。实验证明,与现有的自由视点重新照明方法相比,我们的方法在训练效率和渲染质量方面具有较高的效果。
May, 2024
该论文提出了一种名为 “Neural Illumination” 的新方法,将光照预测分解成几个简单的不同 iable 子任务:几何估计、场景完成和 LDR-to-HDR 估计,并表明与以前的方法相比,该方法在定量和定性方面都得到了显着的改进。
Jun, 2019
LE3D 通过引入三维高斯散射、锥形散射初始化、颜色 MLP 和深度失真及近远程规范化方法,实现了基于体积渲染的实时新视角合成、HDR 渲染、重点调整和色调映射,同时降低了训练时间和提高了渲染速度。
Jun, 2024
研究提出了一个名为 LightSim 的神经照明相机模拟系统,用于在不同照明条件下产生多样化、逼真且可控的数据生成,实验结果显示 LightSim 产生的实际光照效果比以往工作更逼真,并且基于 LightSim 生成的数据可以显著提高感知模型的性能。
Dec, 2023
使用变形的多层感知器(MLP)网络捕捉动态偏移的高斯点并通过哈希编码和小型 MLP 来表示点的颜色特征,引入可学习的去噪掩模结合去噪损失以从场景中消除噪点,通过静态约束和运动一致性约束减轻点的运动噪声,实验证明我们的方法在渲染质量和速度上超过了现有方法,同时显著减少了与 3D-GS 相关的内存使用,非常适用于新的视角合成和动态建图等任务。
May, 2024
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
本研究提出了一种名为 GaNI 的全球和近场照明感知的神经逆渲染技术,能够从光和相机共同拍摄的场景图像中重建几何、反射率和粗糙度参数。我们通过两个阶段的方法来解决现有的逆渲染技术只能针对单个物体的问题,首先利用神经体积渲染 NeuS 重建几何,然后使用先前预测的几何来估计反射率和粗糙度。实验证明,我们的方法在合成和真实数据上表现优于现有的基于光和相机共同拍摄的逆渲染技术,能够产生更好的反射率和略微更好的几何。
Mar, 2024
通过自我监督学习的新框架,我们能够在有限的噪声原始图像数量下,从原始图像中重建高动态范围(HDR)3DGS,克服了噪声的影响,提高了重建质量和推断速度。
Jun, 2024