PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.25483v2cs.CV

독립적인 샘플, 상관된 분산: 경로 추적 스테레오 데이터에서 학습 가능한 교차 뷰 단서

Independent Samples, Correlated Variance A Learnable Cross-View Cue in Path-Traced Stereo Data

경로 추적(path tracing) 기반 합성 스테레오는 디스패리티(disparity) 네트워크를 위한 주요 학습(training) 기반 데이터이며, 이를 사용하는 파이프라인들은 몬테카를로(Monte Carlo, MC) 렌더링 노이즈가 두 뷰 사이에서 독립적이라고 가정한다. 이 가정은 그것이 언급되는 수준, 즉 개별 샘플 수준에서는 옳지만, 네트워크가 실제로 보는 대상에 대해서는 아무것도 말해주지 않는다. 우리는 픽셀별 MC \emph{분산 필드}가 독립적인 샘플들로부터 구성되었음에도 불구하고, 정답(ground-truth) 디스패리티로 정렬하고 나면 강하게 상관되어 있으며, 네트워크가 이 상관관계를 이용해 매칭하는 법을 학습할 수 있음을 보인다. 20개의 실내 장면에서 워핑된 상관관계는 $0.754\pm0.016$인 반면 워핑하지 않은 경우는 $0.360$이다. 이 결과는 서로 다른 샘플러와 샘플 예산을 가진 두 번째 렌더러에서도 재현되며($0.743\pm0.044$), 시드 수 분석에 따르면 모집단 값은 약 $0.85$에 이르러 이 측정치가 하한값임을 시사한다. 이 효과는 샘플 수준이 아닌 필드 수준에서 나타난다. 즉 워프 대응(warp correspondence) 지점에서 부호가 있는 시드별 잔차 상관관계는 $-0.0004$인 반면, 잔차 포락선(residual envelope)의 상관관계는 $0.38$이다. 분산 필드 패치만 주어진, 용량이 제한된 샴(siamese) 프로브는 홀드아웃 장면에서 2지선다 강제 선택(two-alternative forced-choice) 정확도 $78.8\%$를 달성하며, 정렬이 깨지면 우연 수준으로 떨어진다. 일반적인 단일 렌더링 조건에서도, 상관 제거(decorrelation)는 이중차분법(difference-in-differences) 설계에서 $2.40$ 퍼센트포인트의 손실을 초래하며, 이는 6개의 홀드아웃 장면 모두에서 양의 값으로 나타난다. 실제 센서의 분산은 전달(transport) 난이도가 아니라 자체 신호에 의해 결정되므로, 뷰 간에는 강도(intensity)와 중복된 정보를 지니게 된다. 즉 이 단서는 렌더링된 데이터에 특화된 것이다.

arXiv:2607.13265v1cs.CV

미분 가능한 편광 경로 추적

Differentiable Polarized Path Tracing

물리 기반 미분 가능 렌더링은 역렌더링(inverse rendering) 문제(예: 3D 재구성, 반사율 추정, 조명 추정)에 있어 강력한 도구임이 입증되었다. 그러나 기존 방법의 대부분은 복사 측정 강도(radiometric intensity)만을 다루며, 장면 기하와 재료 특성을 제약하는 귀중한 편광 단서를 버린다. 편광 빛의 순방향 시뮬레이션은 Mueller-Stokes 미적분으로 잘 정의되어 있지만, 이 영역에 역방향 모드 미분을 확장하는 것은 상당한 도전 과제를 제기한다. 선형 편광기와 확산 반사와 같은 일반적인 편광 연산자의 계수결손(rank-deficient) 특성은 경로 재생 역전파(path replay backpropagation)와 같은 표준 그래디언트 추정기의 가역성 가정을 위반하고 수치적 불안정성을 초래한다. 이를 해결하기 위해 강건하고 편광을 고려한 미분 가능 경로 추적 방법을 제안한다. 우리의 접근법은 경로 재생과 국소 캐싱(local caching)의 조합을 통해 편향 없는 그래디언트를 추정한다. 이 공식화는 복잡한 장면에서 재료 및 조명 파라미터의 효율적이고 안정적인 최적화를 가능하게 하여, 물리 기반 역렌더링의 적용 범위를 넓힌다. 프로젝트 페이지: https://vcai.mpi-inf.mpg.de/projects/DPPT/

arXiv:2606.27604v1cs.GR

생물물리적 피부 역변환을 통한 RGB 기반 분광 표면 아래 산란

Spectral Subsurface Scattering from RGB via Biophysical Skin Inversion

본 논문에서는 표면 아래 산란의 경로 추적(path tracing) 기반 렌더링을 위해 피부에 대한 분광 광학 역변환을 제안한다. 피부는 외관이 생물물리적 발색단(chromophore)의 혼합에 의해 결정되는 복잡한 다층 매질이다. 그러나 기존 방법은 매질 균질화(medium homogeneization)에 의존하며, 광학 파라미터는 반사율 텍스처로부터 알bedo 역변환을 통해 얻고 산란 거리와 이방성(anisotropy)은 수동으로 튜닝한다. 이로 인해 제작에 상당한 미술 숙련 수작업이 필요해지고, 피부에 대한 부정확한 산란 프로파일이 만들어진다. 이러한 문제를 해결하기 위해 기존 알bedo 역변환 기법을 일반화하고, 단일 RGB 확산 알bedo로부터 전분광(full-spectral) 피부 산란 파라미터를 예측하는 프레임워크를 제안한다. 우리 방법은 새로운 매질 혼합(mixture-of-media) 표현을 기반으로 하며, 이는 상관 없는 세 매질의 집계 산란을 혼합함으로써 피부의 다층 외관을 집계적으로 근사한다. RGB 확산 알bedo를 매질 혼합의 광학 특성(이방성, 산란 반경, 산란 알bedo)으로 매핑하는 연쇄 신경 디코더를 학습한다. 그다음, 통과할 매질을 무작위로 선택하는 것만으로 이 혼합을 최소한의 수정으로 순행(random-walk) 기반 경로 추적기에서 사용할 수 있음을 보인다.