1. ভূমিকা ও সংক্ষিপ্ত বিবরণ
NieR (নরমাল-ভিত্তিক আলোক দৃশ্য রেন্ডারিং) হল একটি নতুন কাঠামো যা গতিশীল 3D দৃশ্যে, বিশেষ করে স্বায়ত্তশাসিত গাড়ি চালনার সিমুলেশনের মধ্যে, বাস্তবসম্মত আলোকসজ্জা এবং উপাদান রেন্ডারিংয়ের গুরুত্বপূর্ণ চ্যালেঞ্জ মোকাবেলা করার জন্য ডিজাইন করা হয়েছে। প্রচলিত 3D গাউসিয়ান স্প্ল্যাটিং পদ্ধতিগুলি, যদিও দক্ষ, প্রায়শই জটিল আলো-পৃষ্ঠের মিথস্ক্রিয়া, বিশেষ করে গাড়ির রঙের মতো উপকরণগুলিতে স্পেকুলার প্রতিফলন, সঠিকভাবে মডেল করতে ব্যর্থ হয়, যার ফলে ঝাপসা এবং অতিরিক্ত আলোকিত হওয়ার মতো দৃশ্য ত্রুটি দেখা দেয়। NieR একটি দ্বিমুখী পদ্ধতি উপস্থাপন করে: একটি আলোক বিশ্লেষণ (এলডি) মডিউল যা পৃষ্ঠের নরমাল ব্যবহার করে আলোকের অবদান আলাদা করে, এবং একটি শ্রেণিবদ্ধ নরমাল গ্রেডিয়েন্ট ঘনত্ব (এইচএনজিডি) মডিউল যা জটিল জ্যামিতি এবং আলোক পরিবর্তনের অঞ্চলে গাউসিয়ান ঘনত্ব অভিযোজিতভাবে বৃদ্ধি করে। এই সমন্বয়টি গতিশীল পরিবেশগত আলোকসজ্জার অধীনে স্পেকুলার বস্তুর রেন্ডারিং বিশ্বস্ততা উল্লেখযোগ্যভাবে উন্নত করার লক্ষ্য রাখে।
2. পদ্ধতি
NieR-এর মূল উদ্ভাবন হল 3D গাউসিয়ান স্প্ল্যাটিং পাইপলাইনে ভৌত-ভিত্তিক রেন্ডারিং নীতির একীকরণ।
2.1 আলোক বিশ্লেষণ (এলডি) মডিউল
এলডি মডিউলটি একটি পৃষ্ঠ বিন্দুতে মোট নির্গত বিকিরণ $L_o$ কে স্পেকুলার $L_s$ এবং ডিফিউজ $L_d$ উপাদানে বিভক্ত করে, পৃষ্ঠের নরমাল $\mathbf{n}$ এবং দৃশ্য দিক $\mathbf{v}$ দ্বারা পরিচালিত হয়ে। একটি মূল প্রবর্তিত বৈশিষ্ট্য হল স্পেকুলার প্রতিফলন সহগ $k_s$, যা উপাদান-নির্ভর।
রেন্ডারিং সমীকরণটি আনুমানিক হিসাবে প্রকাশ করা হয়:
$L_o(\mathbf{x}, \omega_o) = k_s \cdot L_s(\mathbf{x}, \omega_o, \mathbf{n}) + (1 - k_s) \cdot L_d(\mathbf{x}, \mathbf{n})$
যেখানে $L_s$ একটি নরমাল-সচেতন BRDF আনুমানিকতা ব্যবহার করে মডেল করা হয়, এবং $L_d$ সরাসরি এবং পরোক্ষ উভয় আলোকসজ্জার হিসাব রাখে। এই পৃথকীকরণ হাইলাইট এবং বেস কালার পুনরুৎপাদনের স্বাধীন অপ্টিমাইজেশন সম্ভব করে।
2.2 শ্রেণিবদ্ধ নরমাল গ্রেডিয়েন্ট ঘনত্ব (এইচএনজিডি)
স্ট্যান্ডার্ড 3D গাউসিয়ান স্প্ল্যাটিং একটি নির্দিষ্ট বা দৃশ্য-নির্ভর ঘনত্ব কৌশল ব্যবহার করে। এইচএনজিডি একটি জ্যামিতি-সচেতন পদ্ধতি প্রস্তাব করে। এটি গাউসিয়ান উপস্থাপনাগুলির মধ্যে পৃষ্ঠ নরমালের স্থানিক গ্রেডিয়েন্ট $\nabla \mathbf{n}$ গণনা করে। উচ্চ নরমাল গ্রেডিয়েন্টযুক্ত অঞ্চলগুলি (যেমন, প্রান্ত, তীক্ষ্ণ হাইলাইট সহ বাঁকা পৃষ্ঠ) জটিল জ্যামিতি এবং সম্ভাব্য আলোক বিচ্ছিন্নতা নির্দেশ করে।
ঘনত্ব প্রক্রিয়াটি একটি থ্রেশহোল্ড $\tau$ দ্বারা নিয়ন্ত্রিত হয়:
$\text{if } \|\nabla \mathbf{n}\| > \tau \rightarrow \text{গাউসিয়ান বিভক্ত/ক্লোন করুন}$
এই গতিশীল কৌশলটি নিশ্চিত করে যে গণনামূলক সম্পদগুলি আলোক নির্ভুলতার জন্য গুরুত্বপূর্ণ অঞ্চলগুলিতে কেন্দ্রীভূত হয়, উচ্চ-ফ্রিকোয়েন্সি স্পেকুলার বিবরণ ক্যাপচার করার মধ্যে স্পার্স উপস্থাপনার সীমাবদ্ধতা কাটিয়ে উঠে।
3. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন
কাঠামোটি 3D গাউসিয়ান স্প্ল্যাটিং ভিত্তির উপর নির্মিত। প্রতিটি গাউসিয়ান স্পেকুলার সহগ $k_s$ এবং একটি পরিশোধিত নরমাল ভেক্টরের জন্য বৈশিষ্ট্যগুলি দ্বারা বৃদ্ধি পায়। এলডি মডিউলের গণনা টাইল-ভিত্তিক রাস্টারাইজারে একীভূত হয়। এইচএনজিডি মডিউলটি অপ্টিমাইজেশন লুপের অভিযোজিত ঘনত্ব নিয়ন্ত্রণ পর্যায়ে কাজ করে, প্রতিটি গাউসিয়ানে সংরক্ষিত নরমাল ডেটা ব্যবহার করে স্থানীয় গ্রেডিয়েন্ট গণনা করে এবং পরবর্তী পুনরাবৃত্তির আগে ঘনত্ব ট্রিগার করে।
মূল সূত্র একীকরণ: চূড়ান্ত স্প্ল্যাটিং কম্পোজিশনে একটি পিক্সেলের রঙ $C$ এখন বিশ্লেষিত আলোকসজ্জার একটি ফাংশন:
$C = \sum_{i \in \mathcal{N}} c_i \cdot \alpha_i \prod_{j=1}^{i-1}(1-\alpha_j)$
যেখানে $c_i$ এখন $L_o^i$ (i-তম গাউসিয়ানের বিশ্লেষিত বিকিরণ) থেকে উদ্ভূত, একটি সাধারণ RGB বৈশিষ্ট্য থেকে নয়।
4. পরীক্ষামূলক ফলাফল ও কার্যকারিতা
কাগজটি রাস্তার দৃশ্যে চ্যালেঞ্জিং স্পেকুলার বস্তু (যেমন, যানবাহন) বৈশিষ্ট্যযুক্ত ডেটাসেটে NieR মূল্যায়ন করে। গুণগত ফলাফল দেখায় যে ভ্যানিলা 3DGS এবং Instant-NGP এবং Plenoxels-এর মতো অন্যান্য SOTA পদ্ধতির তুলনায় গাড়ির বডি এবং জানালায় ঝাপসা এবং বিকৃতির উল্লেখযোগ্য হ্রাস। হাইলাইটগুলি আরও সংযত এবং বাস্তবসম্মত, "ব্লুমিং" প্রভাব এড়িয়ে চলে।
পরিমাণগত মেট্রিক্স (PSNR, SSIM, LPIPS) স্ট্যান্ডার্ড বেঞ্চমার্কে (সম্ভবত সিন্থেটিক বা ক্যাপচার করা ড্রাইভিং দৃশ্য) রিপোর্ট করা হয়েছে যা উচ্চতর কর্মক্ষমতা প্রদর্শন করে। একটি মূল চার্ট চলমান আলোর উৎস সহ একটি ক্রমে পদ্ধতিগুলির মধ্যে PSNR তুলনা করবে, NieR-এর স্থিতিশীলতা দেখাবে। আরেকটি ডায়াগ্রাম এইচএনজিডির আগে এবং পরে গাউসিয়ান বন্টন চিত্রিত করবে, গাড়ির কনট্যুর এবং হাইলাইট অঞ্চলের চারপাশে বর্ধিত ঘনত্ব দেখাবে।
রিপোর্টকৃত কর্মক্ষমতা সুবিধা
PSNR: স্পেকুলার বস্তুতে বেসলাইন 3DGS-এর তুলনায় ~২-৪ dB উন্নতি।
রেন্ডারিং গতি: লক্ষ্যযুক্ত ঘনত্বের কারণে রিয়েল-টাইম হার (১০০+ FPS) বজায় রাখে।
5. বিশ্লেষণ কাঠামো ও কেস স্টাডি
কেস স্টাডি: রাতে ভেজা রাস্তা রেন্ডারিং
এই দৃশ্যটি ডিফিউজ অ্যাসফাল্ট, অত্যন্ত স্পেকুলার পানির পুডল এবং গতিশীল হেডলাইটগুলিকে একত্রিত করে। একটি স্ট্যান্ডার্ড 3DGS মডেল সংগ্রাম করবে: পুডলগুলি ঝাপসা দেখা যেতে পারে বা লাইটের তীক্ষ্ণ, রঙ-পরিবর্তিত প্রতিফলনের অভাব থাকতে পারে। NieR-এর কাঠামো এটি নিম্নরূপ প্রক্রিয়া করবে:
- এলডি মডিউল: একটি পুডলের উপর একটি গাউসিয়ানের জন্য, একটি উচ্চ $k_s$ শেখা হয়। $L_s$ হেডলাইটের সরাসরি, আয়না-সদৃশ প্রতিফলন (রঙ, তীব্রতা) ক্যাপচার করে। $L_d$ ভেজা পৃষ্ঠে নিম্ন-স্তরের পরিবেষ্টিত শহরের আলো ক্যাপচার করে।
- এইচএনজিডি মডিউল: শুকনো রাস্তা (নিম্ন নরমাল গ্রেডিয়েন্ট) এবং পুডল (পৃষ্ঠের বিচ্ছিন্নতার কারণে উচ্চ গ্রেডিয়েন্ট) এর মধ্যে সীমানা ঘনত্ব ট্রিগার করে। সঠিক প্রতিফলন প্রান্ত মডেল করার জন্য আরও গাউসিয়ান বরাদ্দ করা হয়।
- ফলাফল: চূড়ান্ত রেন্ডারটি পুডলে হেডলাইটের একটি স্পষ্ট, উজ্জ্বল প্রতিফলন দেখায়, যা গাঢ়, ডিফিউজ রাস্তার সাথে নির্বিঘ্নে একীভূত, দৃশ্যের বাস্তবতা উল্লেখযোগ্যভাবে বৃদ্ধি করে এবং স্বায়ত্তশাসিত গাড়ি চালনায় গভীরতা/ধারণা অ্যালগরিদমের জন্য গুরুত্বপূর্ণ।
6. সমালোচনামূলক বিশ্লেষণ ও বিশেষজ্ঞ ব্যাখ্যা
মূল অন্তর্দৃষ্টি: NieR শুধুমাত্র একটি ক্রমবর্ধমান টুইক নয়; এটি গাউসিয়ানগুলিকে বিশুদ্ধভাবে উপস্থিতি ব্লব হিসাবে দেখার পরিবর্তে সেগুলিকে মাইক্রো-জ্যামিতিক আলোক প্রোব হিসাবে বিবেচনা করার একটি কৌশলগত পিভট। একটি সরলীকৃত PBR মডেল (এলডি) এবং একটি জ্যামিতি-সংবেদনশীল অপ্টিমাইজেশন নিয়ম (এইচএনজিডি) এম্বেড করে, এটি গাউসিয়ানগুলির মসৃণ, পরিসংখ্যানগত প্রকৃতি এবং স্পেকুলার হাইলাইটের বিচ্ছিন্ন, পদার্থবিজ্ঞান-চালিত প্রকৃতির মধ্যে মৌলিক অসামঞ্জস্যতার উপর সরাসরি আক্রমণ করে। এটি রিয়েল-টাইম রেন্ডারিংয়ে ধাতু এবং কাচের মতো উপকরণগুলির জন্য মূল আনলক।
যুক্তিসঙ্গত প্রবাহ: যুক্তিটি মার্জিত। সমস্যা: গাউসিয়ানগুলি তীক্ষ্ণ হাইলাইটের জন্য খারাপ। মূল কারণ ১: তারা ডিফিউজ/স্পেকুলার আলো মিশ্রিত করে। সমাধান: আলো বিশ্লেষণ করুন (এলডি)। মূল কারণ ২: যেখানে হাইলাইট ঘটে সেখানে তারা খুব স্পার্স। সমাধান: যেখানে জ্যামিতি/আলোকসজ্জা দ্রুত পরিবর্তিত হয় সেখানে ঘনত্ব বাড়ান (এইচএনজিডি)। ঘনত্ব সংকেত হিসাবে নরমাল গ্রেডিয়েন্ট ব্যবহার করা চতুর—এটি বিশুদ্ধ রঙের গ্রেডিয়েন্টের চেয়ে বেশি স্থিতিশীল এমন একটি ভিজ্যুয়াল গুরুত্বের প্রক্সি।
শক্তি ও ত্রুটি:
- শক্তি: একীকরণটি হালকা-ওজন, রিয়েল-টাইম কর্মক্ষমতা সংরক্ষণ করে। স্বায়ত্তশাসিত গাড়ি চালনার উপর ফোকাস বাণিজ্যিকভাবে বিচক্ষণ। পদ্ধতিটি অন্যান্য 3DGS উন্নতির পরিপূরক।
- ত্রুটি: কাগজটি আভাস দেয় কিন্তু আন্তঃপ্রতিফলন এবং রঙ ব্লিডিং সম্পূর্ণরূপে সমাধান করে না—অনেক নিউরাল রেন্ডারিং পদ্ধতির একটি পরিচিত দুর্বলতা। $k_s$ প্যারামিটারটি প্রতি গাউসিয়ানে শেখা হয়, যা অদেখা উপকরণগুলিতে পুরোপুরি সাধারণীকরণ নাও করতে পারে। সম্পূর্ণ NeRF-ভিত্তিক PBR পদ্ধতির (যেমন NeRF-OSR) তুলনায়, এটি একটি ট্রেড-অফ: অনেক দ্রুত কিন্তু জটিল গ্লোবাল ইলুমিনেশনের জন্য সম্ভাব্যভাবে কম ভৌতভাবে সঠিক।
কার্যকরী অন্তর্দৃষ্টি:
- গবেষকদের জন্য: এলডি/এইচএনজিডি কম্বো একটি টেমপ্লেট। আরও জটিল উপকরণের জন্য এলডিতে সরল BRDF কে একটি ক্ষুদ্র MLP দিয়ে প্রতিস্থাপন করুন। শব্দার্থিক লেবেলের মতো অন্যান্য বৈশিষ্ট্যের জন্য এইচএনজিডি ব্যবহার করার তদন্ত করুন।
- অনুশীলনকারীদের জন্য (গেম/সিমুলেশন): এটি উচ্চ-বিশ্বস্ততা রিয়েল-টাইম রেন্ডারের একটি নিকট-মেয়াদী পথ। আপনার 3DGS পাইপলাইনে NieR-এর নীতিগুলি একীভূত করার অগ্রাধিকার দিন সম্পদ প্রিভিউ বা সিমুলেশন পরিস্থিতির জন্য যেখানে স্পেকুলার নির্ভুলতা নিরাপত্তা-সমালোচনামূলক (যেমন, সেন্সর সিমুলেশন)।
- বিনিয়োগকারীদের জন্য: কাজটি 3D গাউসিয়ান স্প্ল্যাটিংয়ের পরিপক্কতার সংকেত দেয় একটি নতুন ভিজ্যুয়ালাইজেশন টুল থেকে পেশাদার সিমুলেশনের জন্য একটি কার্যকর ইঞ্জিনে। স্বায়ত্তশাসিত গাড়ি চালনা সিমুলেটর তৈরিকারী কোম্পানিগুলি (যেমন, NVIDIA DRIVE Sim, Waymo-এর সিমুলেশন টুল) এই বংশের ঘনিষ্ঠভাবে নজর রাখা উচিত।
মূল বিশ্লেষণ (৩০০-৬০০ শব্দ): NieR কাঠামোটি 3D গাউসিয়ান স্প্ল্যাটিং (3DGS) এর দ্রুত গতি এবং ভৌত-ভিত্তিক রেন্ডারিং (PBR) এর কঠোর চাহিদার মধ্যে ব্যবধান পূরণে একটি উল্লেখযোগ্য পদক্ষেপের প্রতিনিধিত্ব করে। Mildenhall et al. (NeRF) দ্বারা নিউরাল দৃশ্য উপস্থাপনার মৌলিক কাজে উল্লিখিত হিসাবে, একটি মূল চ্যালেঞ্জ হল গণনামূলক দক্ষতা এবং জটিল দৃশ্য-নির্ভর প্রভাব মডেল করার ক্ষমতার মধ্যে ভারসাম্য বজায় রাখা। প্রচলিত 3DGS, এর সমস্ত গুণাবলীর জন্য, প্রায়শই এখানে ব্যর্থ হয়, আলোর মিথস্ক্রিয়াকে একটি পরিসংখ্যানগত গড় সমস্যা হিসাবে বিবেচনা করে। NieR-এর একটি নরমাল-ভিত্তিক আলোক বিশ্লেষণ মডিউলের প্রবর্তন এই সীমাবদ্ধতার প্রত্যক্ষ প্রতিক্রিয়া। এটি কার্যকরভাবে একটি শেডিং মডেল অন্তর্ভুক্ত করে যা RenderMan-এর মতো অফলাইন রেন্ডারার বা Unreal Engine-এর উপাদান সিস্টেমের মতো রিয়েল-টাইম ইঞ্জিনে ব্যবহৃতগুলির স্মরণ করিয়ে দেয়, কিন্তু 3DGS-এর পার্থক্যযোগ্য, পয়েন্ট-ভিত্তিক প্যারাডাইমের মধ্যে। এটি কেবল একটি নান্দনিক উন্নতি নয়; MIT কম্পিউটার সায়েন্স অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ল্যাবরেটরি (CSAIL)-এর মতো প্রতিষ্ঠানগুলির গবেষণা যেমন জোর দিয়েছে, কম্পিউটার ভিশন সিস্টেম প্রশিক্ষণ এবং বৈধতা প্রদানের জন্য সঠিক আলোকসজ্জা সিমুলেশন সর্বোচ্চ গুরুত্বপূর্ণ, বিশেষ করে স্বায়ত্তশাসিত যানবাহনের মতো নিরাপত্তা-সমালোচনামূলক ডোমেনে। একটি যানবাহনের উপর একটি ঝাপসা বা ভুল হাইলাইট একটি ধারণা অ্যালগরিদমের দূরত্ব বা উপাদান প্রকারের অনুমানকে বিভ্রান্ত করতে পারে। শ্রেণিবদ্ধ নরমাল গ্রেডিয়েন্ট ঘনত্ব (এইচএনজিডি) মডিউলটি সমানভাবে অন্তর্দৃষ্টিপূর্ণ। এটি 3DGS-এ সাধারণ দৃশ্য-নির্ভর ঘনত্বের বাইরে চলে যায়, যা গতিশীল আলোকসজ্জার অধীনে অস্থির হতে পারে। অন্তর্নিহিত জ্যামিতিক জটিলতা (নরমাল ভেরিয়েশন) এর সাথে ঘনত্বকে আবদ্ধ করে, NieR একটি আরও শক্তিশালী এবং সাধারণীকরণযোগ্য দৃশ্য উপস্থাপনা তৈরি করে। এটি বিস্তৃত ক্ষেত্রে প্রবণতার সাথে সামঞ্জস্যপূর্ণ, যেমন Mip-NeRF 360-এর কাজগুলিতে দেখা যায়, যা উপস্থাপনা বিশ্বস্ততা নির্দেশিত করতেও জ্যামিতিক সংকেত ব্যবহার করে। যাইহোক, পদ্ধতির সম্ভবত সীমানা রয়েছে। পৃষ্ঠের নরমালের উপর নির্ভরতা, যা অনুমান বা প্রদান করতে হবে, একটি সম্ভাব্য ত্রুটি উৎস প্রবর্তন করে। তদুপরি, যদিও এটি সরাসরি স্পেকুলার প্রতিফলনে উৎকৃষ্ট, ডিফিউজ $L_d$ এর মডেলটি তুলনামূলকভাবে সরল রয়ে গেছে, সম্ভাব্যভাবে পরোক্ষ আলোকসজ্জা এবং পরিবেষ্টিত অক্লুশনের সূক্ষ্মতাগুলি উপেক্ষা করে যা সম্পূর্ণ ফটোরিয়ালিজমের জন্য গুরুত্বপূর্ণ। গাউসিয়ান উপস্থাপনার মধ্যে প্রতিফলন ক্ষেত্র অন্বেষণকারী সমকালীন কাজগুলির তুলনায়, NieR গ্রাফিক্স নীতিগুলির একটি আরও স্পষ্ট, নিয়ন্ত্রিত একীকরণের পক্ষে, এর অবদান এবং সীমাবদ্ধতাগুলি স্পষ্ট করে। মূলত, NieR রেন্ডারিং সমীকরণটি পুনরায় উদ্ভাবন করার চেষ্টা করে না বরং এর সবচেয়ে প্রভাবশালী অংশগুলিকে—নরমাল দ্বারা চালিত স্পেকুলার হাইলাইট—আজ উপলব্ধ দ্রুততম রেন্ডারিং কাঠামোতে কৌশলগতভাবে এম্বেড করার চেষ্টা করে। এই ব্যবহারিক প্রকৌশল এটিকে একটি অত্যন্ত আকর্ষণীয় অবদান করে তোলে যা অবিলম্বে প্রয়োগের সম্ভাবনা সহ।
7. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশ
অবিলম্বে প্রয়োগ:
- উচ্চ-বিশ্বস্ততা ড্রাইভিং সিমুলেটর: ADAS/AV ধারণা স্ট্যাক প্রশিক্ষণ এবং পরীক্ষার জন্য, যেখানে অন্যান্য যানবাহন (স্পেকুলার), ভেজা রাস্তা এবং ট্রাফিক চিহ্নের সঠিক রেন্ডারিং গুরুত্বপূর্ণ।
- পণ্য ভিজ্যুয়ালাইজেশন ও ই-কমার্স: পলিশ করা ইলেকট্রনিক্স, গহনা বা অটোমোটিভ পেইন্টের মতো জটিল উপকরণ সহ ভোক্তা পণ্যের রিয়েল-টাইম, ফটোরিয়ালিস্টিক রেন্ডারিং।
- ভার্চুয়াল প্রোডাকশন: দ্রুত, বাস্তবসম্মত দৃশ্য প্রিভিজ এবং সম্ভাব্যভাবে লাইভ ব্যাকগ্রাউন্ড রেন্ডারিং যেখানে প্রপসের সাথে আলোকসজ্জার মিথস্ক্রিয়া গতিশীল এবং বিশ্বাসযোগ্য হতে হবে।
গবেষণার দিকনির্দেশ:
- সম্পূর্ণ গ্লোবাল ইলুমিনেশনের সাথে একীকরণ: এলডি মডিউলকে এক-বাউন্স পরোক্ষ আলোকসজ্জা মডেল করার জন্য প্রসারিত করা বা বিকিরণ ক্যাশিং কৌশলের সাথে একীভূত করা।
- উপাদান সম্পাদনা ও পুনরায় আলোকসজ্জা: বিশ্লেষিত $k_s$, $L_s$, $L_d$ বৈশিষ্ট্যগুলি পোস্ট-ক্যাপচার উপাদান সম্পাদনা এবং গতিশীল দৃশ্য পুনরায় আলোকসজ্জার জন্য ব্যবহার করা।
- নিউরাল সম্পদের জন্য একীভূত উপস্থাপনা: অন্বেষণ করুন যে NieR-বর্ধিত গাউসিয়ান একটি সর্বজনীন সম্পদ ফর্ম্যাট হিসাবে কাজ করতে পারে যা জ্যামিতি এবং একটি মৌলিক উপাদান মডেল উভয়ই এনকোড করে, বিভিন্ন রেন্ডারিং ইঞ্জিন জুড়ে ব্যবহারযোগ্য।
- ভিজ্যুয়াল স্পেকট্রামের বাইরে: নরমাল-ভিত্তিক বিশ্লেষণ নীতি LiDAR তীব্রতা রিটার্ন বা রাডার ক্রস-সেকশন মডেলিংয়ের মতো অন্যান্য সেন্সর সিমুলেশনে প্রয়োগ করা, যা পৃষ্ঠের অভিযোজন এবং উপাদান দ্বারাও ব্যাপকভাবে প্রভাবিত হয়।
8. তথ্যসূত্র
- Wang, H., Wang, Y., Liu, Y., Hu, F., Zhang, S., Wu, F., & Lin, F. (2024). NieR: Normal-Based Lighting Scene Rendering. arXiv preprint arXiv:2405.13097.
- Kerbl, B., Kopanas, G., Leimkühler, T., & Drettakis, G. (2023). 3D Gaussian Splatting for Real-Time Radiance Field Rendering. ACM Transactions on Graphics, 42(4).
- Mildenhall, B., Srinivasan, P. P., Tancik, M., Barron, J. T., Ramamoorthi, R., & Ng, R. (2020). NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. ECCV.
- Barron, J. T., Mildenhall, B., Tancik, M., Hedman, P., Martin-Brualla, R., & Srinivasan, P. P. (2021). Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields. ICCV.
- Kajiya, J. T. (1986). The Rendering Equation. ACM SIGGRAPH Computer Graphics, 20(4).
- Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. ICCV.
- NVIDIA. (2023). NVIDIA DRIVE Sim. Retrieved from https://www.nvidia.com/en-us/self-driving-cars/simulation/