단일 RGB 이미지를 기하(geometry), 재료(material), 조명(lighting)으로 분해하는 확산 기반 역렌더링(inverse rendering) 프레임워크를 제안한다. 역렌더링은 본질적으로 부적절한 문제(ill-posed problem)이므로 단일하고 정확한 해를 예측하기 어렵다. 이러한 어려움을 해결하기 위해 최근의 생성 모델 기반 방법들은 가능한 해의 범위를 제시하고자 한다. 그러나 단일한 정확한 해를 찾는 것과 다양한 해를 생성하는 것은 상충될 수 있다. 본 논문에서는 채널별 노이즈 스케줄링(channel-wise noise scheduling) 접근을 제안하여, 단일 확산 모델 아키텍처가 두 가지 상충하는 목표를 동시에 달성할 수 있게 한다. 서로 다른 채널별 노이즈 스케줄로 학습된 결과의 두 확산 모델은 단일한 고도로 정확한 해를 예측함과 동시에 여러 가능한 해를 제시할 수 있다. 실험 결과는 다양성과 정확성 모두에서 본 연구의 두 모델이 우수함을 보여주며, 이는 사물 삽입(object insertion) 및 재료 편집(material editing)과 같은 다운스트림 응용에서의 성능 향상으로 이어진다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.