画像から疎なBRDF測定サンプルを学習する

arXiv cs.CV / 2026/4/30

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、遅く高価な高密度ゴニオリフレクトメータ測定の代わりに、少数の有用なBRDF測定方向を選択することで、現実的レンダリングのためのBRDF獲得を効率化することを扱います。
提案手法は、BRDF空間の損失とレンダリング画像の損失の両方から得られる勾配を用いてサンプル位置を最適化しつつ、サンプラ学習中はハイパーネットワーク型のBRDF再構成器を固定します。
疎な座標–値観測を扱うセットエンコーダ、学習済みの再構成モデル、差分可能レンダラを組み合わせ、測定位置のエンドツーエンド最適化を可能にします。
MERLデータセットでの実験では、測定予算が非常に小さい場合（8および16測定）にニューラル再構成ベースラインより低予算での再構成品質が向上する一方、高予算ではPCAが依然として強いことが示されています。
さらに、画像空間での監督、共最適化、画像のみの潜在表現フィッティングといった設計要素が、未見の素材での性能にどう影響するかを分析しています。

概要: 正確なBRDF（双方向反射率分布関数）の取得は、現実的なレンダリングにとって重要ですが、密なゴニオリフレクトメータ測定は遅く高価です。本研究では、学習済みの反射率事前分布（reflectance prior）のもとで素材の見え方を再構成するために最も有用な、少数のBRDF測定の選び方を検討します。提案手法は、疎な座標-値の観測に対するセットエンコーダー、事前学習済みのハイパーネットワークベースのBRDF再構成器、そして微分可能レンダラを組み合わせます。サンプラーの学習中は再構成器を固定し、BRDF空間とレンダリング画像の損失から得られる勾配を用いて測定位置を最適化します。これにより、サンプル選択と事前分布の適合を分離し、学習済み素材分布のもとで情報量の多い方向をサンプラーが選ぶことを促します。MERLデータセットでの実験では、提案するサンプラーが、ニューラル再構成のベースラインと比べて8および16件の測定において低予算での再構成品質を改善することが示されました。一方で、PCAベースの手法はより大きな予算では依然として強力です。さらに、未見の素材に対する画像空間の教師信号、共同最適化、画像のみの潜在表現の適合が与える影響を分析します。