DiffusionShadow: 신경 볼륨 렌더링을 위한 확산 기반 그림자 캐싱
요약
본 논문은 신경 볼륨 렌더링(INR)에서 실시간으로 계산 비용이 높은 그림자 효과를 처리하기 위한 확산 기반 캐싱 프레임워크인 DiffusionShadow를 제안합니다. 이 방법은 여러 조명 방향의 그림자 INR들을 단일 확산 모델로 압축하여, 추가적인 샘플링 없이 표준 렌더러에 통합할 수 있습니다.
핵심 포인트
- INR의 실시간 볼륨 렌더링에서 그림자 계산이 비용적 문제임.
- DiffusionShadow는 사전 계산된 그림자 INR을 단일 확산 모델로 압축함.
- 추가적인 런타임 샘플링 없이 표준 INR 렌더러와 통합 가능하며, 빠른 속도를 보장함.
암시적 신경 표현(Implicit neural representations, INRs)은 그 압축성과 대규모 데이터셋에 대한 확장성 덕분에 과학 시각화 분야에서 주목받고 있으며, 이는 직접 볼륨 렌더링(direct volume rendering, DVR)과의 통합에 매우 적합합니다. 하지만 그림자와 같은 고급 조명 효과를 가진 INR의 실시간 볼륨 렌더링은 레이 마칭을 통해 그림자 항을 평가하는 과정이 비용이 많이 들어 여전히 계산적으로 비쌉니다. 대안으로 여러 조명 방향에 대한 그림자를 미리 계산하고 저장하는 것은 메모리와 저장 공간 모두에서 불가능합니다. 이를 해결하기 위해, 우리는 방대한 양의 사전 계산된 그림자 INR들을 단일 확산 모델로 압축하는 확산 기반 그림자 캐싱 프레임워크를 소개합니다. 우리의 방법은 보지 못한 방향으로 일반화하는 데 초점을 맞추기보다는, 사전에 훈련된 조명 조건들의 밀집된 세트를 실시간으로 기억하고 재구성하는 데 효과적입니다. 먼저 일련의 그림자 계수 볼륨을 그림자 INR로 인코딩한 다음, 확산 모델을 조명 방향에 조건화하여 추론 시점에 해당 그림자 INR 가중치를 예측하도록 훈련합니다. 이 설계는 추가적인 런타임 샘플링 없이 표준 INR 렌더러와 직접 통합됩니다. 실험 결과에 따르면, 우리의 접근 방식은 전통적인 방법보다 빠른 렌더링 속도를 달성하는 동시에 독립적인 INR들의 막대한 저장 공간 증가를 우회하며, 참조 결과의 대부분과 근접하게 일치하는 그림자를 생성합니다.
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 바로가기