Empowering Neural Rendering Methods with Physically-Based Capabilities

Projektbeschreibung

KI-gestütztes 3D mit physikbasierter Steuerung

Die Erstellung von 3D-Inhalten ist ein komplexer Prozess, der spezialisierte Kunstschaffende zur Erstellung der 3D-Modelle und teure Algorithmen zum Rendern der endgültigen Bilder erfordert. Solche Lösungen werden in Branchen wie digitale Zwillinge, Architektur, virtuelle Realität, Spezialeffekte und vielen anderen eingesetzt. Bei der herkömmlichen Erstellung von 3D-Inhalten wird das physikbasierte Rendering verwendet, das den Lichttransport nach den Gesetzen der Physik simuliert und so äußerst genaue und realistische Ergebnisse gewährleistet – allerdings in der Regel mit hohen Rechenkosten. Im Gegensatz dazu ist das neuronale Rendering eine neuere, leistungsstarke Lösung, die tiefes Lernen einsetzt, um Bilder auf der Grundlage gelernter Repräsentationen zu erzeugen, der es jedoch an physischer Genauigkeit und Kontrolle mangelt. Im Rahmen des ERC-finanzierten Projekts NERPHYS ist die Einführung neuartiger Darstellungen und neuronaler Rendering-Algorithmen vorgesehen, die eine recheneffiziente Erstellung von 3D-Inhalten mit physikbasierter Steuerung ermöglichen.

Ziel

While long restricted to an elite of expert digital artists, 3D content creation has recently been greatly simplified by deep learning. Neural representations of 3D objects have revolutionized real-world capture from photos, while generative models are starting to enable 3D object synthesis from text prompts. These methods use differentiable neural rendering that allows efficient optimization of the powerful and expressive ``soft'' neural representations, but ignores physically-based principles, and thus has no guarantees on accuracy, severely limiting the utility of the resulting content.

Differentiable physically-based rendering on the other hand can produce 3D assets with physics-based parameters, but depends on rigid traditional ``hard'' graphics representations required for light-transport computation, that make optimization much harder and is also costly, limiting applicability.

In NERPHYS we will combine the strengths of both neural and physically-based rendering, lifting their respective limitations by introducing polymorphic 3D representations, i.e. capable of morphing between different states to accommodate both efficient gradient-based optimization and physically-based light transport. By augmenting these representations with corresponding polymorphic differentiable renderers, our methodology will unleash the potential of neural rendering to produce physically-based 3D assets with guarantees on accuracy.

NERPHYS will have ground-breaking impact on 3D content creation, moving beyond today's simplistic plausible imagery, to full physically-based rendering with guarantees on error, enabling the use of powerful neural rendering methods in any application requiring accuracy. Our polymorphic approach will fundamentally change how we reason about scene representations for geometry and appearance,
while our rendering algorithms will provide a new methodology for image synthesis, e.g. for training data generation or visual effects.