- …
- …
#281
summarized by : Norikatsu Sumi
どんな論文か？
微分可能レンダリングに関する微分可能な関数について，より汎化的なものを探索した論文．多種多様なスムージング分布で比較して，様々なデータに対して適用し，広いスペクトル分布をカバーできる最も汎化的なものを特定した．
新規性
(1)1242の異なるパターンで微分可能レンダリングを試して，ベンチマークした．
(2)T-conorm（バイナリ化する関数：Maximum, Probabilistic, Einsteinなど），スムージング関数（Gauss, Logistic, Gumbel-Min, Gamma, Exponentialなど）の組み合わせで実装．
結果
Single-view reconstructionタスクで，24視点，100回の最適化という条件で，ShapeNetを用いて比較実験した結果，
(1)Probabilistic T-conormと一様分布の組み合わせ（Neural 3D Mesh Rendererに近い）が，平均スコアで最も良い結果．
(2)クラスごとに最も良い結果が異なり，最適な組み合わせはタスク依存．
その他（なぜ通ったか？等）
https://github.com/Felix-Petersen/gendr
スタンダードに用いられているN3MR, SoftRas, DIB-R以外で，様々な微分可能関数を総合的に試した初めての論文．前記3手法を，いずれの組み合わせでも，精度が上回っており，まだ最適な微分可能レンダラーの関数がこれから見つかる可能性がある．．
- …
- …