嘘~ 正在从服务器偷取页面 . . .

NeRF


⚠️ 以下所有内容总结都来自于 大语言模型的能力,如有错误,仅供参考,谨慎使用
🔴 请注意:千万不要用于严肃的学术场景,只能用于论文阅读前的初筛!
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ,还请您给我们一些鼓励!⭐️ HuggingFace免费体验

2025-10-07 更新

ROGR: Relightable 3D Objects using Generative Relighting

Authors:Jiapeng Tang, Matthew Lavine, Dor Verbin, Stephan J. Garbin, Matthias Nießner, Ricardo Martin Brualla, Pratul P. Srinivasan, Philipp Henzler

We introduce ROGR, a novel approach that reconstructs a relightable 3D model of an object captured from multiple views, driven by a generative relighting model that simulates the effects of placing the object under novel environment illuminations. Our method samples the appearance of the object under multiple lighting environments, creating a dataset that is used to train a lighting-conditioned Neural Radiance Field (NeRF) that outputs the object’s appearance under any input environmental lighting. The lighting-conditioned NeRF uses a novel dual-branch architecture to encode the general lighting effects and specularities separately. The optimized lighting-conditioned NeRF enables efficient feed-forward relighting under arbitrary environment maps without requiring per-illumination optimization or light transport simulation. We evaluate our approach on the established TensoIR and Stanford-ORB datasets, where it improves upon the state-of-the-art on most metrics, and showcase our approach on real-world object captures.

我们介绍了ROGR,这是一种新型方法,它通过从多个视角捕捉对象,并驱动一个模拟将对象置于新型环境照明下的生成重光照模型,来重建可重新照明的3D对象模型。我们的方法采样对象在多个照明环境下的外观,创建一个数据集,用于训练受光照条件影响的神经辐射场(NeRF),该神经辐射场可以输出对象在任何输入环境照明下的外观。受光照条件影响的NeRF使用新型双分支架构来分别编码通用光照效果和光泽。经过优化的受光照条件影响的NeRF能够在任意环境贴图下进行高效的前馈重新照明,而无需进行逐光照优化或光线传输模拟。我们在公认的TensoIR和Stanford-ORB数据集上评估了我们的方法,它在大多数指标上均达到了最新技术的改进效果,并展示了我们在真实世界对象捕获中的应用方法。

论文及项目相关链接

PDF NeurIPS 2025 Spotlight. Project page: https://tangjiapeng.github.io/ROGR

Summary

本文介绍了ROGR方法,这是一种可从多个视角捕获物体的重光照3D模型重建技术。该方法通过生成的重光照模型模拟将物体置于新型环境照明下的效果,从而采样物体在多种照明环境下的外观。所采集的数据用于训练受光照条件影响的神经辐射场(NeRF),该场可根据任何输入的环境光照输出物体的外观。其使用的照明条件NeRF采用新型双分支架构,可分别编码通用光照效果和光泽。优化的照明条件NeRF可在任意环境贴图下进行高效的前馈重光照,无需针对每种照明进行优化或模拟光传输。我们在TensoIR和Stanford-ORB数据集上评估了我们的方法,并在大多数指标上实现了对最新技术的改进,并展示了在真实世界物体捕获中的应用。

Key Takeaways

  1. ROGR是一种从多个视角重建物体的重光照3D模型的方法。
  2. ROGR通过生成的重光照模型模拟物体在不同环境照明下的效果。
  3. ROGR采集物体在多种照明环境下的外观数据,用于训练受光照条件影响的NeRF。
  4. NeRF采用双分支架构,分别编码通用光照效果和光泽。
  5. 优化后的照明条件NeRF可在任意环境贴图下进行高效的前馈重光照。
  6. 无需针对每种照明进行优化或模拟光传输。

Cool Papers

点此查看论文截图


文章作者: Kedreamix
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 Kedreamix !
 上一篇
Diffusion Models Diffusion Models
Diffusion Models 方向最新论文已更新,请持续关注 Update in 2025-10-07 Product-Quantised Image Representation for High-Quality Image Synthesis
下一篇 
3DGS 3DGS
3DGS 方向最新论文已更新,请持续关注 Update in 2025-10-07 GS-Share Enabling High-fidelity Map Sharing with Incremental Gaussian Splatting
2025-10-07
  目录