PulseAugur
实时 09:17:34
English(EN) From Phase to Phenomenon: Self-Supervised Learning of Subsurface Scattering with Minimal Phase-shift Inputs

新的自监督学习方法使用最少数据进行地下散射

研究人员开发了一个新颖的自监督学习框架,旨在用最少输入数据来理解地下散射(SSS)光传输。该方法利用立体投影仪-相机设置,每视图仅捕获八张高频相位偏移轮廓测量(PSP)图像来预训练编码器。这种方法学习可泛化的SSS表示,可有效地应用于重新照明和材质属性评估等下游任务,以显著少于先前技术的图像数量实现高保真重建。 AI

影响 这项研究通过减少所需输入数据量,可能带来更高效的3D渲染和材质模拟。

排序理由 详细介绍计算机视觉新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的自监督学习方法使用最少数据进行地下散射

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Arjun Majumdar, Raphael Braun, Andreas Engelhardt, Hendrik PA. Lensch ·

    从相位到现象:最小相位偏移输入的自监督亚表面散射学习

    arXiv:2606.29461v1 Announce Type: new Abstract: We propose a self-supervised pretraining framework for learning sub-surface scattering (SSS) light transport representations from minimal input. Our method leverages a stereo projector-camera setup that captures only eight high-freq…