실시간 신경망 헤어 디노이징 (Real-Time Neural Hair Denoising)

원문 발행 2026. 05. 18. 02:37원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

심하게 언더샘플링된 래스터화 입력으로부터 가닥 기반의 헤어 G-버퍼를 재구성하는 경량 실시간 신경망 방법을 제안합니다. 신경망 공간 재구성, 시간적 축적, 접선 가이드 재구성 단계를 통해 헤어 커버리지와 위치 정보를 복구하여 물리 기반 셰이딩을 가능하게 합니다. 다양한 헤어스타일에 대해 기존 디노이징 기술 및 DLSS, FSR보다 뛰어난 재구성 품질을 입증했습니다.

핵심 포인트

언더샘플링된 입력으로부터 가닥 기반 헤어 G-버퍼를 재구성하는 경량 실시간 파이프라인 제안
신경망 공간 재구성 및 시간적 축적을 통한 헤어 커버리지(가시성 및 접선) 복구
접선 가이드 재구성을 활용한 위치 정보 완성 및 물리 기반 지연 헤어 셰이딩 지원
DLSS, FSR 등 일반적인 신경망 재구성 솔루션 대비 높은 헤어 재구성 품질 달성

우리는 심하게 언더샘플링된 (undersampled) 래스터화된 (rasterized) 입력으로부터 가닥 기반 (strand-based) 헤어 G-버퍼 (G-Buffers)를 재구성하기 위한 경량 실시간 방법을 제안합니다. 우리의 파이프라인은 먼저 신경망 공간 재구성 (neural spatial reconstruction) 및 시간적 축적 (temporal accumulation)을 적용하여 헤어 커버리지, 즉 픽셀 내의 소수점 단위 헤어 가시성 (fractional hair visibility)과 접선 (tangent)을 복구합니다. 그 다음, 접선 가이드 재구성 (tangent-guided reconstruction) 단계를 사용하여 위치 (position)를 완성하며, 이는 이후 물리 기반 지연 헤어 셰이딩 (physically based deferred hair shading)에 사용됩니다. 우리는 정적 및 동적 시나리오 모두에서 생머리, 웨이브, 아프로 (afro), 포니테일 스타일을 포함한 다양한 헤어스타일 세트에 대해 우리의 방법을 평가합니다. 우리의 방법은 기존의 헤어 전용 디노이징 (denoising) 기술 및 DLSS 및 FSR과 같은 일반적인 산업용 신경망 재구성 (neural reconstruction) 솔루션보다 더 높은 헤어 재구성 품질을 달성합니다.

AI 자동 생성 콘텐츠

원문 바로가기

실시간 신경망 헤어 디노이징 (Real-Time Neural Hair Denoising)

요약

핵심 포인트

댓글