真实材质上的深度 SVBRDF 估计
计算机视觉与模式识别
2021-05-03 v1
摘要
近期工作表明，深度学习方法可以成功地从少至单张图像中恢复出表面空间变化 BRDF（SVBRDF）的准确估计。然而，更仔细地审视会发现，文献中的大多数方法纯粹在合成数据上训练，这些数据虽然多样且逼真，却往往不能代表真实世界的丰富性。在本文中，我们表明，仅在合成数据上训练此类网络，在真实数据上测试时不足以获得充分的结果。我们的分析利用了一个通过新型便携式多光照采集装置获得的真实材质新数据集。通过一系列广泛的实验并借助一种新颖的深度学习架构，我们探索了两种改善真实数据结果的策略：微调，以及逐材质优化流程。我们表明，将网络权重适配到真实数据至关重要，从而产生了一种显著优于先前真实材质 SVBRDF 估计方法的方法。数据集与代码见 https://lvsn.github.io/real-svbrdf
引用
@article{arxiv.2010.04143,
title = {Deep SVBRDF Estimation on Real Materials},
author = {Louis-Philippe Asselin and Denis Laurendeau and Jean-François Lalonde},
journal= {arXiv preprint arXiv:2010.04143},
year = {2021}
}
备注
Accepted submission to 3DV 2020. Project page https://lvsn.github.io/real-svbrdf