Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
AEGIR은 Gaussian Splatting 환경에서 국부 면 광원(Area Emitters)을 명시적으로 모델링하여 실내 역렌더링 성능을 높이는 프레임워크입니다. 미분 가능한 지연 렌더링과 다중 중요도 샘플링을 통해 조명, 재질, 기하 구조를 정밀하게 분리하고 재조명 성능을 개선합니다.
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 바로가기역렌더링 (Inverse rendering)은 조명 (illumination)을 표면 재질 (surface materials)로부터 분리해야 하지만, 관측된 이미지 내에서 이들이 밀접하게 결합되어 있어 매우 모호합니다. Gaussian Splatting은 새로운 시점 합성 (novel view synthesis)에는 효율적이지만, 기존의 재조명 가능 (relightable) 방법들은 이산 점 광원 (discrete point lights), 전역 환경 맵 (global environment maps), 또는 암시적 표현 (implicit representations)을 사용하여 장면 조명을 근사합니다. 실제 광원의 물리적 공간 범위를 무시함으로써, 이러한 접근 방식들은 잘못된 빛 감쇠 (light attenuation)와 비현실적인 그림자를 생성합니다. 본 논문에서는 재조명 가능한 Gaussian Splatting 표현 내에서 국부 면 광원 (local area emitters)을 명시적으로 모델링하는 프레임워크인 AEGIR (Area Emitters for Gaussian Inverse Rendering)을 제시합니다. 광원의 유연한 파라미터화 (parameterization)로 인해 파라미터의 수와 조명 및 재질 간의 모호성이 모두 증가하므로, 광원, 재질, 그리고 기하 구조 (geometry)를 공동 최적화하는 것은 매우 어렵습니다. 우리는 다중 중요도 샘플링 (multiple importance sampling)을 타겟 정규화 (targeted regularization)와 통합하는 미분 가능한 지연 렌더링 (differentiable deferred rendering) 파이프라인을 도입하여 이 문제를 해결합니다. 그 결과, AEGIR은 국부 빛 전달 (local light transport)을 정확하게 시뮬레이션하고 더욱 일관된 분해 (decomposition)를 달성합니다. 실험 결과, 명시적인 면 광원은 조명 재구성 (illumination reconstruction)을 개선하며, 특히 복잡한 국부 조명이 있는 장면에서 새로운 시점 합성 (novel view synthesis), 제어 가능한 재조명 (controlled relighting), 가상 객체 삽입 (virtual object insertion)을 포함한 다운스트림 작업 (downstream tasks)의 성능을 향상시킴을 보여줍니다.