可重光的神经高斯分布
计算机视觉与模式识别
2025-04-08 v5 图形学
摘要
3D高斯溶解(3DGS)已在假设光照固定的新视角合成任务中取得令人印象的成果。然而，对于具有难以定义形状(如毛发、布料等)的物体创建可重光3D资产仍是一个具有挑战性的任务。在光、几何和材料之间的分解不明确，尤其是当平滑表面假设或基于表面的解析着色模型不适用时。我们提出一种可重光神经高斯分布(RNG)，这是一种新的3DGS基方法，使能够对既有硬表面又有软边界的对象进行重光。我们将每个点的辐射程度条件化为视线方向和光照方向。我们还引入了阴影线索，以及深度细化网络以提高阴影精度。最后，我们提出一种混合前向-延迟拟合策略，以平衡几何和外观质量。我们的方法相对于基于神经辐射场的先前方法实现了显著更快的训练(1.3小时)和渲染(每秒60帧)，也比当前基于3DGS的方法产生更高质量的阴影。项目页面: https://www.whois-jiahui.fun/project_pages/RNG。
引用
@article{arxiv.2409.19702,
title = {RNG: Relightable Neural Gaussians},
author = {Jiahui Fan and Fujun Luan and Jian Yang and Miloš Hašan and Beibei Wang},
journal= {arXiv preprint arXiv:2409.19702},
year = {2025}
}
备注
Camera-ready version. Proceedings of CVPR 2025