Learning to Learn and Sample BRDFs

要約

ニューラル双方向反射率分布関数 (BRDF) モデルを物理的に取得して学習する共同プロセスを加速する方法を提案します。
BRDF の学習だけでもメタ学習によって加速できますが、機械的なプロセスに依存しているため、獲得は遅いままです。
メタ学習を拡張して、物理サンプリング パターンも最適化できることを示します。
私たちのメソッドが完全にサンプリングされた BRDF のセットに対してメタトレーニングされた後、同じ品質で最大 5 桁少ない物理取得サンプルで新しい BRDF をすばやくトレーニングできます。
私たちのアプローチは、他の線形および非線形 BRDF モデルにも拡張され、広範な評価で示されています。

要約(オリジナル)

We propose a method to accelerate the joint process of physically acquiring and learning neural Bi-directional Reflectance Distribution Function (BRDF) models. While BRDF learning alone can be accelerated by meta-learning, acquisition remains slow as it relies on a mechanical process. We show that meta-learning can be extended to optimize the physical sampling pattern, too. After our method has been meta-trained for a set of fully-sampled BRDFs, it is able to quickly train on new BRDFs with up to five orders of magnitude fewer physical acquisition samples at similar quality. Our approach also extends to other linear and non-linear BRDF models, which we show in an extensive evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google