LuxDiT: Lighting Estimation with Video Diffusion Transformer - 1枚の画像や動画からライティングに使えるHDRI環境マップを生成するAIモデル！

NVIDIA＆トロント大学＆Vector AI研究所の研究チームによる、1枚の画像や動画からライティング環境を推定し、HDRI環境マップを生成するAIモデル「LuxDiT: Lighting Estimation with Video Diffusion Transformer」が発表されております。

LuxDiT: Lighting Estimation with Video Diffusion Transformer

1枚の画像や動画からシーンの照明を推定することは、コンピュータビジョンやグラフィックスにおける長年の課題である。学習ベースのアプローチは、捕捉にコストがかかり、多様性に制限のあるグランドトゥルースのHDR環境マップの希少性に制約されている。最近の生成モデルは、画像合成のための強力な事前分布を提供する一方で、間接的な視覚的手がかりへの依存、グローバル（非局所的）コンテキストを推測する必要性、および高ダイナミックレンジ出力の回復のために、照明推定は依然として困難である。我々はLuxDiTを提案する。LuxDiTは、映像拡散変換器を微調整して、視覚入力に条件付けられたHDR環境マップを生成する、新しいデータ駆動型アプローチである。多様な照明条件を持つ大規模な合成データセットで訓練された我々のモデルは、間接的な視覚的手がかりから照明を推測することを学習し、実世界のシーンに効果的に汎化する。入力と予測環境マップ間の意味的整合を改善するために、HDRパノラマの収集データセットを用いた低ランク適応微調整戦略を導入する。本手法は、現実的な角度の高周波数ディテールを持つ正確な照明予測を生成し、定量的・定性的評価の両方において、既存の最先端技術を凌駕する。

リンク