Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
복잡한 조명 기구의 외관을 추정하기 위해 Light Tracing 기반의 신경망 공식화를 제안합니다. Normalizing Flow를 통해 방출 복사휘도의 PDF를 모델링하고, 경량 MLP로 증류하여 효율적인 렌더링을 구현합니다.
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 바로가기우리는 복잡한 조명 기구(luminaires)의 외관을 추정하기 위한 신경망 공식화(neural formulation)를 제안합니다. 우리는 (양방향) 경로 추적(path tracing)으로 처리하기 어려운 복잡한 빛 전달(light transport)을 가진 도전적인 조명 기구(예: 여러 개의 경면 층(specular layers)으로 둘러싸인 작은 발광체)에 집중합니다. 이를 위해, 우리는 발광체에서 출구 표면(exit surfaces)까지의 경로를 구축하기 위해 Light Tracing을 사용하며, 외관 추정을 분포 학습(distribution learning) 문제로 공식화합니다. 구체적으로, 우리는 대규모 정규화 흐름(normalizing flow) 네트워크를 사용하여 출구 표면에서의 방출 복사휘도(outgoing radiance)의 확률 밀도 함수(pdf)를 모델링하고, 추정된 pdf와 광속(flux)의 곱으로 방출 복사휘도를 복원합니다. 효율적인 추론을 가능하게 하기 위해, 우리는 학습된 외관을 출구 표면의 복사휘도를 직접 추정하는 경량 MLP로 증류(distill)합니다. 추가적으로, 조명 기구로부터 효과적인 직접 조명(direct illumination) 계산을 위한 샘플링 네트워크(sampling network)와 조명 기구를 장면(scene)에 합성하기 위한 블렌딩 네트워크(blending network)를 학습시킵니다. 우리의 공식화는 임의의 장면에서 적은 샘플 수로도 도전적인 조명 기구를 렌더링하는 것을 가능하게 합니다.