생물물리적 피부 역변환을 통한 RGB 기반 분광 표면 아래 산란
Spectral Subsurface Scattering from RGB via Biophysical Skin Inversion
한국어 초록
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.
원문 초록
In this paper we present a spectral optical inversion for skin for path tracing-based rendering of subsurface scattering. Skin is a complex multilayered medium, with appearance determined by the mixture of biophysical chromophores. However, current methods rely on medium homogeneization, with optical parameters obtained via albedo inversion from a reflectance texture and hand-tuned scattering distance and anisotropy. This results into significant art-skilled manual labor for authoring, and an inaccurate scattering profile for skin. To solve these problems, we generalize existing albedo inversion techniques, and propose a framework that predicts full-spectral skin scattering parameters from a single RGB diffuse albedo. Our method builds upon a new mixture-of-media representation, that approximates the aggregated multilayered appearance of skin by mixing the aggregated scattering of three uncorrelated media. We train a chained neural decoder that maps RGB diffuse albedo to the optical properties of the mixture of media, including anisotropy, scattering radius and scattering albedo. Then, we show this mixture can be used in a random-walk-based path tracer with minimal modifications, by simply randomly selecting the medium to traverse.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.27604v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Step Law는 소규모 언어 모델에도 전이되는가? 59M 파라미터 미만에서의 실증적 재보정
Does Step Law Transfer to Small-Scale Language Models? An Empirical Recalibration Below 59M Parameters
Step Law는 언어 모델 사전학습 시 최적 피크 학습률 η*와 배치 크기 B*에 대한 멱법칙(power-law) 공식을 제공한다. 원 저자들은 59M~1B 파라미터 모델에서 이를 보정했으며, N < 59M인 소규모 모델 영역은 실증적으로 검증한 적이 없다. 이 영역은 단일 GPU 학습, 해석 가능성 연구, 교육용 실험, 메모리·비용상 더 큰 모델을 쓰기 어려운 환경에서 중요하다. 우리는 Step Law가 소규모 언어 모델에도 전이되는지 검증한다. 세 가지 결과를 가정한다. H1: 원래 계수를 그대로 쓸 수 있다. H2: 멱법칙 형태는 유지되나 계수가 다르다. H3: 이 영역에서는 멱법칙이 최적점을 설명하지 못한다. 모든 실험은 2048 토큰 BPE 어휘, AdamW, warmup-cosine 스케줄을 사용하는 단일 nanoGPT/TinyStories 파이프라인에서 수행했다. 각 (N, D) 셀의 최적점은 평활화된 학습 손실에 대해 log-log 좌표에서 국소 이차 근사를 통해 손실 표면 L(η, B)에서 추출했다. 최종 데이터셋은 서로 다른 (N, D) 셀 29개와 분석에 사용 가능한 run 935개를 포함한다. 주 재적합은 작업 구간 4 <= D/N <= 600에서 25개 셀(815 runs)을 사용한다. 풀링 데이터에서는 H2를 채택한다. 함수 형태는 유지되나 계수는 원 논문과 다르다. η*(N, D) = 0.0985 N^(-0.508) D^(0.238) (R^2 = 0.834)와 B*(D) = 3.6 × 10^(-4) D^(0.931) (R^2 = 0.950)를 얻었다. Step Law의 구조적 주장인 B*의 N 비의존성은 재현된다(p = 0.87). 다만 B*가 D에 따라 증가하는 기울기는 원 논문의 거의 2배다. Step Law를 직접 전이하면 최적 학습률을 체계적으로 과대 추정한다. η_SL / η*의 중앙값 비는 약 4.0배이며, 범위는 2.4배에서 6.6배이다.
2D 이미지와 세포 집단 통계로부터 3D 생물물리적 세포 특성 학습
Learning 3D biophysical cell properties from 2D images and cell-population statistics
기준 장비가 개별 세포 라벨이 아니라 집단 통계만 보고할 때, 2D 현미경 영상으로부터 3D 세포 특성을 추론하기는 어렵다. 본 연구에서는 단일 2D 적혈구 이미지를 잠재 생물물리량에 매핑하고 이를 평균적혈구용적(MCV), 적혈구 분포 폭(RDW), 평균적혈구헤모글로빈(MCH)으로 집계하는 집단 감독(population-supervised) 프레임워크를 제안한다. 모델은 공유 국소 추론(inference), 부피와 헤모글로빈을 위한 생물물리적으로 구조화된 디코더, 학습된 인스턴스 가중치, 장치별 보정을 결합한다. 집계 관측이 제한된 인스턴스 예측기를 식별하는 조건을 형식화하고, 집단 수준의 일치만으로는 단일 세포 특성이나 3D 기하를 식별할 수 없음을 보이며, 부분집합 평균 매칭(subset mean matching)에 의해 유도되는 분산 페널티를 유도한다. 개발 데이터셋(dataset)은 6대 장치에 걸친 390개 시검체와 1,105회 촬영으로 구성되며, Sysmex 분석기 대비 Pearson 상관계수 0.86–0.98이 보고되었다. 이 프레임워크는 명시적 3D 재구성을 주장하지 않으면서, 2D 이미지와 집단 감독으로부터 3D 세포 생물물리학에 이르는 검증 가능한 경로를 제공한다.
종단 및 time-to-event 공동 모델링을 위한 다중양 경험적 베이즈 변분 오토인코더
Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling
종단 종양 측정치, 중도 탈락 정보, 유전 공변량은 치료 반응에 대한 상보적 정보를 제공하지만, 이러한 데이터 소스를 단일 모집단 모델링 프레임워크 내에서 통합하는 것은 여전히 어렵다. 본 연구는 경험적 베이즈 변분 오토인코더(EB-VAE) 프레임워크를 종단 및 time-to-event 공동 모델링으로 확장하고 종양 성장 데이터에서 이를 평가했다. 이 프레임워크는 공변량 조건 경험적 베이즈 사전분포에 의해 정규화된 잠재 개인 효과를 사용해 개인 간 변이성을 표현하며, 디코더가 이러한 잠재 효과를 종양 부피 궤적으로 매핑한다. 정보성 중도 탈락(informative dropout)을 반영하기 위해 디코더에 위험도 모델을 추가하여 종양 성장과 탈락까지의 시간에 대한 공동 예측을 생성했다. 또한 완전 신경망형과 하이브리드 반-기계론적 디코더 공식화를 비교했으며, 유전체 공변량을 유전체 조건 사전분포 적응을 통해 통합했다. 하이브리드 디코더는 신경망 디코더에 필적하는 사전 예측 성능을 달성하면서, 이전에 보고된 비선형 혼합효과 추정치와 대체로 일치하는 치료 효과 매개변수를 복원했다. 공동 모델은 홀드아웃 개체에서 종양 부피 분포와 탈락 패턴을 모두 재현했으며, 유전체 조건화는 피부 흑색종 및 유방암 실험 모두에서 개인 수준 사전 예측을 개선했다. 안정성 선택(stability selection)은 BRAF, NRAS, NF1, MDM2의 변이를 포함해 여러 생물학적으로 타당한 유전 지표를 식별했다. 이러한 결과는 EB-VAE가 약력학적 응용에서 신경 동역학, 기계론적 구조, time-to-event 모델링, 고차원 공변량을 결합하는 유연한 확률적 프레임워크를 제공함을 보여준다.
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/
Wieszcz-XIX: 31억 단어 규모의 1918년 이전 폴란드어 코퍼스와 처음부터 학습된 시간적 제약 언어 모델
Wieszcz-XIX: A 3.1-Billion-Word Corpus of Pre-1918 Polish and Temporally Bounded Language Models Trained From Scratch
역사적 폴란드어는 언어로서 잘 문서화되어 있으나, 본 논문에서 다루는 시기의 기계 가독형 주석 데이터는 약 100만 단어에 불과하며, 나머지는 품질이 다양한 광학 문자 인식(OCR) 상태로 남아 있습니다. 본 논문에서는 1800년부터 1918년 사이에 출판된 폴란드어 문헌(대부분 정기간행물 호) 294,369개 문서, 67억 5천만 토큰(약 31억 단어) 규모의 코퍼스인 Wieszcz-XIX를 제시합니다. 이는 필터링, 중복 제거, 1918년 이후 데이터 유출 감사 및 문서 수준 분할을 수행하는 파이프라인을 통해 Wolne Lektury 및 Internet Archive로부터 수집되었습니다. 이 코퍼스는 동일한 시기의 주석 코퍼스보다 3자릿수 이상(1,000배 이상) 크며, 본 연구에서는 그 결함을 정량화합니다. 즉, 위양성 하한 기준의 인식 오류, 제거된 유사 중복, 그리고 전사된 출처에서 발견된 0.04~0.38% 바이트 수준의 알려진 잔여물을 제외하고 학습(training) 코퍼스 자체에서 배제된 1918년 이후 데이터 유출을 정량화하여, 공개된 코퍼스가 문서 단위로 학습에 사용된 코퍼스와 동일하도록 구성했습니다. 수작업으로 교정된 표본에서 텍스트 판독이 가능한 경우 문자 오차율(CER)은 0.68%이며, 표본 구절의 45%는 교정이 불가능했습니다. 이 데이터를 기반으로 47M부터 349M 매개변수 규모의 디코더 전용(decoder-only) 모델 계층을 처음부터(from scratch) 학습하고 시간적 제약성(temporal boundedness)을 측정합니다. 훨씬 더 큰 모델을 포함한 두 개의 현대 폴란드어 베이스 모델과 비교했을 때, 349M 모델은 역전 현상(crossover)을 보였으며 동일 규모의 비교 모델 대비 107M 모델 또한 유사한 역전 현상을 나타냈습니다. 1918년 이후 어휘는 비교 모델에서는 나타나지 않는 격차로서 해당 시대 어휘보다 약 3.1비트/바이트 더 많은 비용이 들었으며, 해당 시대 어휘는 비교 모델보다 더 적은 비트를 소모했습니다. 해당 시대의 텍스트가 주어졌을 때 본 모델들은 그 철자법을 유지한 반면 비교 모델들은 부분적으로만 유지했습니다. 매개변수를 늘리는 것이 데이터를 2회 순회(second pass)하는 것보다 약 2배 더 높은 성능 향상을 얻었습니다. 코퍼스, 코드, 가중치를 함께 공개합니다. 콘텐츠 주의: 모델은 반유대주의적 발언을 포함하여 당시 시대의 편견을 재현합니다.
PACE-dLLM: 확산 언어 모델을 위한 신뢰도 절벽 추정 기반 탄력적 블록 디코딩
PACE-dLLM: Elastic Block Decoding via Confidence Cliff Estimation for Diffusion Language Models
LLaDA와 Dream 같은 확산 언어 모델(dLLM)은 생성 품질에서 자기회귀(AR) LLM과 경쟁할 수준이 되었으며, 기본적으로 병렬 디코딩을 지원한다. 표준적인 가속 전략은 블록 단위 디코딩으로, 각 순전파에서 길이 B의 블록을 예측하고 신뢰도가 높은 토큰을 확정한다. 신뢰도 임계값 기반 확정은 어떤 토큰을 수용할지를 적응시키지만, 고정된 B는 여전히 예측 범위를 제한한다. 기존의 호라이즌 정책은 수동으로 정한 크기, 변동성 통계, 또는 후보 경계 점수를 사용한다. 이에 반해 우리는 모델 자체의 단계별 신뢰도를 사용한다. 윈도우 내 신뢰도는 대체로 문맥에 의존적인 절벽(cliff) 형태를 따르며, 이는 선행 호라이즌을 적응시키기 위한 직접적인 신호를 제공한다. 본 연구에서는 이 매개변수화된 절벽을 닫힌 형태로 주기적으로 다시 적합하고, 공유된 신뢰도 앵커에서 다음 호라이즌을 설정하며, 신뢰도 임계값 기반 토큰 확정을 유지하는 PACE-dLLM을 제안한다. iid이며 정책과 무관한 단조 프로파일을 갖는 포화 수율 추상화 하에서, 오라클 호라이즌은 최대 패스당 수율을 달성하는 가장 작은 값이며, 고정 블록이 양의 확률로 이에 미달할 때 점근적 순전파 비율을 개선한다. 두 개의 오픈소스 dLLM 백본에 대한 네 가지 추론 및 코드 벤치마크에서, PACE-dLLM은 평가된 디코더 중 두 백본 모두에서 가장 높은 평균 정확도를 달성하며, 가속하지 않은 반자기회귀 기준선 대비 LLaDA에서 평균 5.23배, Dream에서 3.06배(LLaDA MATH에서 최대 8.52배)의 처리량 향상을 얻어 품질–처리량 파레토 경계를 진전시킨다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.