Core Concepts
測定されたBRDFを効果的に再構築する新しいハイパーネットワークアプローチを紹介します。
Abstract
この論文では、少数のサンプルから測定されたBRDFを推定する技術が紹介されています。提案手法は、新しい材料のBRDFを正確に推定し、密集したサンプリング値を非常に小さな埋め込みに圧縮することができます。深層学習の最近の進歩により、連続信号(画像、表面、体積、材料など)をニューラルフィールドを使用して正確に表現できるようになりました。しかし、ニューラルフィールド表現を再構築することは通常、単一の材料に過適合するため、密なサンプリングと多大な計算リソースが必要です。これらの課題への有望な解決策として登場した汎用性ニューラルフィールド(GNFs)は前述の課題への有望な解決策として登場しました。GNFsは個々の信号に過適合せず、サンプリング信号とそれらの完全なニューラルフィールド表現間の一般化マッピングを学習するよう設計されています。
Stats
我々はMERLデータセット内で100種類の等方性材料からBRDFを正確かつ量的評価します。
我々は7Dまで圧縮可能な低次元埋め込み空間でNPsと比較して我々の方法をトレーニングします。
80エポックでハイパーネットワークをトレーニングしました。
推論時に我々のモデルは0.01秒以内で未知材料からサンプリングした結果からhyponet重みを推定します。
推論時に予測されたBRDF値を描画可能形式に変換する際、GPU無しで約9秒かかります。
Quotes
"我々は提案手法が未知材料から極端にまばらなサンプリングでも正確にBRDFを推定し、例えば7Dまで非常に小さく圧縮することができることを示す"
"我々は提案手法が従来手法よりも効率的かつ高性能なBRDF再構築手法であることを示す"