基于嵌套学习的复杂材料 BRDF 估计
计算机视觉与模式识别
2018-11-26 v1
摘要
从 RGB 图像估计材料的光学属性是计算机图形学中一个重要但极度不适定的问题。虽然近期工作已成功从单张照片解决该问题，但其假设了材料模型的显著简化，限制了此类方法的可用性。各向异性或菲涅尔效应等复杂材料属性的检测仍是一项未解决的挑战。我们提出一种新方法，仅从材料的两张低分辨率拍摄图像预测美术友好、基于物理的 BRDF 的模型参数。得益于嵌套架构中深度神经网络的新型组合，我们能够处理由参数空间的非正交性和非凸性所带来的歧义。为训练网络，我们生成了一个基于物理的合成图像新数据集。我们证明，对于具有着色高光反射或反照率在掠射角处改变的材料，我们的模型能够恢复各向异性、折射率和第二种反射颜色等新属性。
引用
@article{arxiv.1811.09131,
title = {BRDF Estimation of Complex Materials with Nested Learning},
author = {Raquel Vidaurre and Dan Casas and Elena Garces and Jorge Lopez-Moreno},
journal= {arXiv preprint arXiv:1811.09131},
year = {2018}
}
备注
Accepted to IEEE Winter Conference on Applications of Computer Vision 2019 (WACV 2019)