神经差分外观方程

我们提出一种方法来复现具有空间平稳但随时间变化的动态外观纹理。虽然大多数前期工作将动态纹理分解为静态外观和运动，但我们关注由基本属性变化导致的动态外观，例如腐蚀、腐化、熔化和风化。为此，我们采用神经常微分方程（ODE）从目标示例中学习其背后的动态。我们将 ODE 在两个阶段中进行仿真。在"热身"阶段，ODE 将随机噪声扩散到初始状态。随后，我们约束该 ODE 的进一步演化，以复制生成阶段中示例中视觉特征统计的演变。本工作的独特创新在于神经 ODE 同时实现去噪和演化，用于动态合成，同时提出了时间训练方案。我们研究了可 relight 的（BRDF）和非 relight 的（RGB）外观模型。对于这两种模型，我们引入了新的试点数据集，首次允许研究此类现象：对于 RGB，我们提供了 22 个从免费在线来源获取的动态纹理；对于 BRDF，我们进一步获取了由 21 个闪光灯拍摄的随时间变化材料的数据集，enabled by 一个简单易建的 setup。我们的实验表明，我们的方法始终产生真实且连贯的结果，而先前的工作在显著的时间外观变化下会出错。用户研究确认，我们的方法在此类示例中优于以前的工作。