面向物体逆渲染的可逆神经 BRDF 模型
计算机视觉与模式识别
2020-08-12 v2
摘要
我们提出了一种基于神经网络的新型 BRDF 模型以及一个用于物体逆渲染的贝叶斯框架，即从已知几何物体的单张图像中联合估计反射率和自然光照。该 BRDF 由可逆神经网络（即标准化流）表示，其具备高维表示的表达能力、紧凑解析模型的计算简洁性，以及真实世界 BRDF 的物理合理性。我们通过条件化该模型来提取真实世界反射率的潜空间，这直接产生了一个强反射率先验。我们将此模型称为可逆神经 BRDF 模型（iBRDF）。我们还利用深度神经网络的结构偏置设计了一个深度光照先验。通过将这一新颖的 BRDF 模型以及反射率和光照先验整合进 MAP 估计公式中，我们展示了该联合估计可通过随机梯度下降高效计算。我们在大量实测数据上实验验证了可逆神经 BRDF 模型的准确性，并展示了其在若干合成与真实图像上用于物体逆渲染的效果。结果表明了深度神经网络可如何帮助解决具有挑战性的辐射度逆问题的新途径。
引用
@article{arxiv.2008.04030,
title = {Invertible Neural BRDF for Object Inverse Rendering},
author = {Zhe Chen and Shohei Nobuhara and Ko Nishino},
journal= {arXiv preprint arXiv:2008.04030},
year = {2020}
}
备注
accepted to ECCV 2020 as spotlight