基于深度神经网络的年度亮度模拟方法
计算机视觉与模式识别
2020-09-22 v1 图形学
机器学习
摘要
年度亮度图可为使用者的视觉舒适度、偏好和感知提供有意义的评估。然而，获取长期亮度图需要耗费人力和时间的模拟或难以实现的长期现场测量。本文提出了一种新颖的数据驱动机器学习方法，使基于年度亮度的评估更高效且易用。该方法基于利用深度神经网络（DNN）从有限数量的瞬时高动态范围图像预测年度亮度图。采用全景视图，因为其可经后处理研究多个视方向。所提出的DNN模型可在30分钟训练时间内，从以下三个选项之一忠实预测高质量年度全景亮度图：a) 均匀分布于日间、占全年5%的瞬时亮度图像；b) 在春分前后日间连续生成或采集的为期一个月的每小时图像（占全年8%）；或 c) 在春分、夏至和冬至前后采集的9天每小时数据（占全年2.5%），均足以预测全年其余时间的亮度图。DNN预测的高质量全景图使用一系列定量与定性指标对照Radiance（RPICT）渲染结果进行验证。最高效的预测通过春分、夏至和冬至前后采集的9天每小时数据实现。结果清晰表明，从业者和研究者可利用所提出的DNN工作流，将基于长期亮度的指标高效纳入多视方向的设计与研究过程中。
引用
@article{arxiv.2009.09928,
title = {Deep Neural Network Approach for Annual Luminance Simulations},
author = {Yue Liu and Alex Colburn and Mehlika Inanici},
journal= {arXiv preprint arXiv:2009.09928},
year = {2020}
}