光场网络的连续细节层次
计算机视觉与模式识别
2023-09-22 v1 图形学
摘要
近来,出现了若干生成具有多细节层次(LODs)的神经表示的方法。LODs 可在合适时通过降低分辨率与减小模型尺寸来改善渲染。然而,现有方法通常聚焦于少数离散 LODs,在细节切换时会产生走样与闪烁伪影,并限制了其适应资源限制的粒度。本文提出一种以连续 LODs 编码光场网络的方法,从而实现针对渲染条件的精细调节适应。我们的训练过程使用求和面积表滤波,可在不同 LODs 下实现高效且连续的滤波。此外,我们采用基于显著性的重要性采样,使光场网络能够将其容量(在较低 LODs 下尤为有限)分配至表示观看者最可能关注的细节。将连续 LODs 引入神经表示可实现神经表示的渐进式流式传输,降低渲染的延迟与资源占用。
引用
@article{arxiv.2309.11591,
title = {Continuous Levels of Detail for Light Field Networks},
author = {David Li and Brandon Y. Feng and Amitabh Varshney},
journal= {arXiv preprint arXiv:2309.11591},
year = {2023}
}
备注
Accepted to BMVC 2023. Webpage at https://augmentariumlab.github.io/continuous-lfn/