基于神经测光引导的视觉属性迁移

我们提出一种基于深度学习的方法，用于将空间变化的视觉材质属性（如纹理图或图像风格化）传播到相同或相似材质的更大样本中。在训练时，我们利用该材质在多光照下拍摄的图像以及专门的数据增强策略，使迁移对新颖光照条件和仿射形变具有鲁棒性。我们的模型依赖于有监督的图像到图像翻译框架，且与所迁移的域无关；我们展示了语义分割、法线图和风格化的案例。遵循图像类比方法，该方法仅要求训练数据包含与输入引导相同的视觉结构。我们的方法以交互速率运行，适用于材质编辑应用。我们在受控设置下对学习方法进行了 thorough 评估，提供性能的定量度量。最后，我们证明在单一材质上训练模型足以泛化到同类型材质，无需海量数据集。