Empowering Neural Rendering Methods with Physically-Based Capabilities

Opis projektu

Oparte na SI modele 3D ze sterowaniem fizyką

Tworzenie treści 3D obejmuje złożone procesy, wymagające zatrudnienia wyspecjalizowanych artystów do tworzenia modeli 3D i wykorzystania drogich algorytmów do renderowania ostatecznych obrazów. Takie rozwiązania są wykorzystywane w sektorach takich jak cyfrowe bliźniaki, architektura, wirtualna rzeczywistość, efekty specjalne i wiele innych. Tradycyjne tworzenie treści 3D wykorzystuje renderowanie oparte na fizyce, które wiernie i realistycznie symuluje transport światła zgodnie z prawami fizyki, jednak zazwyczaj przy wysokich kosztach obliczeniowych. Z kolei renderowanie neuronowe jest nowoczesnym rozwiązaniem wykorzystującym uczenie głębokie do generowania wizualizacji w oparciu o wyuczone reprezentacje, brakuje mu jednak fizycznej dokładności i kontroli. Finansowany przez ERBN projekt NERPHYS proponuje wprowadzenie nowych reprezentacji i algorytmów renderowania neuronowego umożliwiających wydajne obliczeniowo tworzenie treści 3D wzbogaconych o kontrolę opartą na fizyce.

Cel

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.