表格存储的BRDF(bidirectional reflectance distribution function)可高逼真再现物体表面外观,但其高维特性和单张平面图包含的反射信息少、差异小的特点,使得现有方法在估计表格存储的BRDF时通常需使用复杂设备或捕获多张图像。针对...表格存储的BRDF(bidirectional reflectance distribution function)可高逼真再现物体表面外观,但其高维特性和单张平面图包含的反射信息少、差异小的特点,使得现有方法在估计表格存储的BRDF时通常需使用复杂设备或捕获多张图像。针对该问题,提出一种结合神经网络和奇异值分解的单张图材质重建方法。引入奇异值分解将材质压缩到低维空间,将估计材质反射属性的过程简化为估计材质基的权重向量;结合深度卷积神经网络,建立单张平面图和权重向量之间的映射关系,设计了抑制高动态数值变化的对数相对损失函数;为该网络模型的训练构建一个平面样本数据集;提出拆分数据训练方法来消除环状伪影。实验结果表明,该方法在合成数据和真实数据上均优于现有方法。展开更多
文摘表格存储的BRDF(bidirectional reflectance distribution function)可高逼真再现物体表面外观,但其高维特性和单张平面图包含的反射信息少、差异小的特点,使得现有方法在估计表格存储的BRDF时通常需使用复杂设备或捕获多张图像。针对该问题,提出一种结合神经网络和奇异值分解的单张图材质重建方法。引入奇异值分解将材质压缩到低维空间,将估计材质反射属性的过程简化为估计材质基的权重向量;结合深度卷积神经网络,建立单张平面图和权重向量之间的映射关系,设计了抑制高动态数值变化的对数相对损失函数;为该网络模型的训练构建一个平面样本数据集;提出拆分数据训练方法来消除环状伪影。实验结果表明,该方法在合成数据和真实数据上均优于现有方法。
