RenderFlow: フローマッチングによる単一ステップニューラルレンダリング

従来の物理ベースレンダリングは、光の伝播を計算して写実的な画像を生成する一方、計算量が大きいという負担がある。RenderFlowはこの点に着目し、ジオメトリバッファ（G-buffer）を条件として受け取り、出力画像を生成するニューラルレンダリング手法を提案する。論文の核心は、何度も反復する拡散過程の代わりにフローマッチングを用い、1回の決定論的なステップでレンダリングを行うことにある。 · 従来

従来の物理ベースレンダリングは、光の伝播を計算して写実的な画像を生成する一方、計算量が大きいという負担がある。RenderFlowはこの点に着目し、ジオメトリバッファ（G-buffer）を条件として受け取り、出力画像を生成するニューラルレンダリング手法を提案する。論文の核心は、何度も反復する拡散過程の代わりにフローマッチングを用い、1回の決定論的なステップでレンダリングを行うことにある。

従来の生成型レンダリングには、反復推論による遅延や確率的な出力に起因する物理的な正確さ・時間的一貫性の限界があった。RenderFlowは単一ステップのパイプラインによってこれらを抑え、写実的な品質と準リアルタイム性能の両立を目指す。公式説明によれば、この手法は現代の生成モデルの効率性と物理ベースレンダリングの精密さをつなぐアプローチだという。

品質と汎化性能を高めるため、疎にレンダリングしたキーフレームをガイダンス情報として選択し、入力することもできる。このガイダンスモジュールは、出力の物理的妥当性と全体的な視覚品質を高めるよう設計されている。つまり、すべてのフレームを重く計算する代わりに、限られた基準フレームを利用してレンダリング結果を補正する構造だ。

研究チームは、事前学習済みのフォワードモデルを軽量なアダプターモジュールと組み合わせ、intrinsic decompositionという逆レンダリングタスクにも適用した。1つの基盤モデルを別の視覚属性分解タスクへ転用できることを示し、RenderFlowを単なる高速化にとどまらない、拡張可能なニューラルレンダリングフレームワークとして提示している。