Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 체적 역추론(Volumetric inverse rendering)을 위해 물리적으로 완전한 광 전달과 범용 신경 최적화를 통합하는 새로운 정식화를 제안합니다. 이 방법은 매질의 광학적 특성과 전체 광장을 신경 필드로 표현하고, 공동 최적화 과정을 통해 추정하여 전역 조명 하에서 정확한 재구성을 가능하게 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기체적 역추론(Volumetric inverse rendering)은 참여 매질(participating media)로부터 광학적 특성을 복구하는 것을 목표로 합니다. 기존 접근 방식들은 상당한 알고리즘 노력을 요구하는 미분 확률적 광 전달 시뮬레이션에 의존하거나, 전역 조명(global illumination)을 포착하지 못하는 단순화된 모델을 사용합니다. 본 논문에서는 물리적으로 완전한 광 전달과 범용 신경 최적화를 통합하는 정식화(formulation)를 제안합니다. 매질의 광학적 특성과 전체 광장(full light field)은 신경 필드(neural fields)로 표현되며, 공동 최적화 과정(joint optimization process)을 통해 추정됩니다. 전역 조명은 국소 미분 형태(local differential form)의 복사 전달 방정식(Radiative Transfer Equation)에서 파생된 잔차 목적 함수(residual objective)를 통해 강제하며, 주 시야 광선(primary viewing rays)을 따라 볼륨 렌더링 항(volume rendering term)이 이를 보완하여 저주파수 바이어스(low-frequency bias)를 완화합니다. 우리는 다중 시점 이미지로부터 공간적으로 변화하는 색상 분해된 산란(scattering), 흡수(absorption), 그리고 위상 함수(phase function) 매개변수의 재구성을 입증합니다. 재구성 외에도, 이 프레임워크는 전역 조명 하에서 물리적 광학적 특성을 가진 참여 매질의 생성 모델을 학습하는 것을 지원합니다.