UMat：基于不确定性感知的单图像高分辨率材质捕捉

我们提出一种基于学习的方法，利用微几何外观作为主要线索，从材质的单张漫反射图像中恢复法线、镜面反射与粗糙度。此前在单图像上工作的方往往产生带有伪影的过度平滑输出、在有限分辨率下运行，或为每个类别训练一个模型而泛化能力有限。相比之下，在本工作中，我们提出一种新颖的捕捉方法，利用带有注意力机制与 U-Net 判别器的生成网络，以较低计算复杂度展现出集成全局信息的卓越性能。我们使用一个真实数字化纺织材质数据集展示方法的性能，并表明普通平板扫描仪可产生作为我们方法输入所需的漫反射光照类型。此外，由于该问题可能是不适定的——可能需要不止一张漫反射图像来消除镜面反射的歧义——或由于训练数据集不足以代表真实分布，我们提出一种新颖框架来量化模型在测试时对其预测的信心。我们的方法是首个处理材质数字化中不确定性建模问题的方法，提升了过程的可信度，并支持更智能的数据集创建策略，如我们通过主动学习实验所展示的。