Neural Bloom：一种用于实时灯光的深度学习方法
计算机视觉与模式识别
2025-09-09 v1
摘要
我们提出了一种使用神经网络在实时生成灯光玻璃效应的方法。我们的解决方案可比现有最先进方法快30%生成亮度掩码。现有传统技术依赖多次模糊处理和纹理采样，常常在实现中存在条件分支。这些操作占用了大量执行时间。我们通过提出两种基于神经网络的灯光方法（Neural Bloom Lighting (NBL) 和 Fast Neural Bloom Lighting (FastNBL)）来解决此问题，分别关注其质量和性能。在各种3D场景上对两种方法进行了测试，评估包括亮度掩码准确性和推理速度。本工作的主要贡献在于，两种方法均产生高质量的玻璃灯光效果，同时超越标准的最先进玻璃灯光实现，FastNBL 快28%，NBL 快12%。这些发现表明，我们能够更快地实现逼真的玻璃灯光现象，为未来在实时环境中实现更高的逼真度提供了可能。这一改进节省了计算资源，这是实时渲染中的主要瓶颈。此外，在高帧率环境中保持流畅体验、维持高质量逼真度至关重要。
引用
@article{arxiv.2509.05963,
title = {Neural Bloom: A Deep Learning Approach to Real-Time Lighting},
author = {Rafal Karp and Dawid Gruszka and Tomasz Trzcinski},
journal= {arXiv preprint arXiv:2509.05963},
year = {2025}
}