高斯材质合成
机器学习
2018-08-07 v1 机器学习
摘要
我们提出了一种基于学习的快速大规模材质合成系统，对 novice 与专家用户均具实用价值。用户偏好通过高斯过程回归（Gaussian Process Regression）学习，并可轻松采样以获得新的推荐。通常，每次推荐需借助全局光照渲染 40–60 秒，这使该流程难以用于实际工作流。我们的神经网络通过实时提供高质量图像预测消除了这一瓶颈，此后用户可从画廊中选取所需材质并以直观方式赋予场景。与迪士尼“原则性（principled）”着色器对比的工作流计时表明，我们的系统随所求材质数量具有良好的可扩展性，从而即使 novice 用户也能在无需任何材质建模专业知识的情况下生成数百个高质量材质模型。类似地，专家用户在为场景填充材质时总建模时间显著减少。此外，我们提出的方案还提供可控推荐及一种新颖的潜空间变体生成步骤，使得无需任何领域专业知识即可对材质进行实时微调。
引用
@article{arxiv.1804.08369,
title = {Gaussian Material Synthesis},
author = {Károly Zsolnai-Fehér and Peter Wonka and Michael Wimmer},
journal= {arXiv preprint arXiv:1804.08369},
year = {2018}
}
备注
Supplementary data and source code: https://users.cg.tuwien.ac.at/zsolnai/gfx/gaussian-material-synthesis/