제약 없는 장면 생성을 위한 국소 조건부 반사장

복잡하고 현실적인 실내 환경의 분포를 학습하는 문제에 도전한다. 본 논문에서는 자유로운 카메라 움직임에서 렌더링이 가능한 다수의 국소적 레이던스 필드로 장면을 분해하는 능력을 학습하는 생성적 장면 네트워크(Generative Scene Networks, GSN)를 제안한다. 본 모델은 새로운 장면을 생성하는 사전 지식으로 활용할 수 있으며, 희박한 2D 관측만으로도 장면을 보완하는 데 사용할 수 있다. 최근 연구에서는 레이던스 필드의 생성 모델이 다중 시점 일관성 및 시점에 따라 달라지는 조명과 같은 특성을 잘 포착할 수 있음을 보여주었다. 그러나 이러한 모델들은 자동차나 얼굴과 같은 단일 객체에 대한 제약된 시점 관측에 특화되어 있다. 현실적인 실내 환경의 크기와 복잡성 때문에, 기존 모델들은 이를 충분히 표현할 수 있는 표현 능력을 갖추지 못하고 있다. 본 연구에서 제안하는 분해 기법은 더 크고 복잡한 장면에도 스케일링 가능하며, 세부 사항과 다양성을 유지할 수 있다. 또한 학습된 사전 지식을 통해 관측된 시점과 크게 다른 시점에서도 고품질의 렌더링을 가능하게 한다. 기존 모델들과 비교했을 때, GSN은 여러 다양한 장면 데이터셋에서 정량적으로 더 높은 품질의 장면 렌더링을 생성한다.