StableMaterials：通过半监督学习增强材质生成多样性
计算机视觉与模式识别
2026-02-27 v4 图形学
摘要
我们介绍了StableMaterials，一种生成逼真物理基础渲染（PBR）材质的新方法，它将半监督学习与潜在扩散模型（LDM）相结合。我们的方法采用对抗训练从现有大规模图像生成模型中提取知识，最大限度地减少对标注数据的依赖，并增强生成的多样性。这种蒸馏方法使生成材质的分布与SDXL模型的图像纹理分布对齐，从而能够生成初始训练数据集中不存在的新材质。此外，我们采用基于扩散的细化模型来改善样本的视觉质量并实现高分辨率生成。最后，我们蒸馏出一个潜在一致性模型，仅需四步即可实现快速生成，并提出一种新的可平铺技术，消除了通常与较少扩散步骤相关的视觉伪影。我们详细介绍了StableMaterials的架构和训练过程，以及半监督训练在现有LDM框架中的集成，并展示了我们方法的优势。与最先进方法的比较评估显示了StableMaterials的有效性，突显了其在计算机图形学及其他领域的潜在应用。StableMaterials可在 https://gvecchio.com/stablematerials 公开获取。
引用
@article{arxiv.2406.09293,
title = {StableMaterials: Enhancing Diversity in Material Generation via Semi-Supervised Learning},
author = {Giuseppe Vecchio},
journal= {arXiv preprint arXiv:2406.09293},
year = {2026}
}