Neural Appearance Modeling From Single Images
William & Mary(威廉玛丽学院)
提出一种材质外观建模神经网络,仅用单张共置光照照片推断逐像素神经参数并渲染材质,能编码各向异性和全局光照信息,在31万合成样本上训练并集成至Mitsuba3验证有效性。
2024-06-08 cs.CV cs.GR
Neural Reflectance Fields for Appearance Acquisition
UC San Diego(加州大学圣迭戈分校);Adobe Research(Adobe 研究院);UC Berkeley(加州大学伯克利分校)
我们提出了神经反射场,一种新的深度场景表示,使用完全连接的神经网络在场景中的任何3D点编码体密度,法线和反射特性。我们将这种表示与基于物理的可微光线行进框架相结合,该框架可以在任何视点和光线下从神经反射场渲染图像。我们证明了神经反射场可以从一个简单的配置相机光设置捕获的图像中估计,并准确地模拟具有复杂几何形状和反射率的真实世界场景的外观。一旦估计,它们可以用于在新的视点和(非同位)照明条件下渲染照片级逼真的图像,并准确地再现具有挑战性的效果,如镜面反射,阴影和遮挡。这使我们能够执行高质量的视图合成和重新照明,这比以前的方法要好得多。我们还表明,我们可以组成一个真实的场景与传统的场景模型的估计神经反射场,并使用标准的蒙特卡洛渲染引擎渲染它们。因此,我们的工作使一个完整的管道,从高品质和实用的外观采集到3D场景的合成和渲染。
2020-08-16 cs.CV cs.GR
Ref-NeRF: Structured View-Dependent Appearance for Neural Radiance Fields
Harvard University(哈佛大学);Google Research(谷歌研究院)
神经辐射场(NeRF)是一种流行的视图合成技术,其将场景表示为连续体积函数,由多层感知器参数化,该多层感知器提供每个位置处的体积密度和视图相关的发射辐射。虽然基于NeRF的技术擅长表示具有平滑变化的视图相关外观的精细几何结构,但它们通常无法准确捕获和再现光泽表面的外观。我们通过引入Ref-NeRF来解决这一限制,该方法用反射辐射的表示代替NeRF的视相关出射辐射的参数化,并使用空间变化的场景属性集合来构造该函数。我们表明,与正常向量的正则化,我们的模型显着提高了镜面反射的真实性和准确性。此外,我们表明,我们的模型的内部表示的出射辐射是可解释的和有用的场景编辑。
2021-12-07 cs.CV cs.GR
A-NeRF: Articulated Neural Radiance Fields for Learning Human Shape, Appearance, and Pose
University of British Columbia(不列颠哥伦比亚大学);Facebook Reality Labs(Facebook现实实验室)
虽然深度学习通过前馈网络重塑了经典的运动捕捉流水线,但需要生成模型通过迭代细化来恢复精细对齐。不幸的是,现有的模型通常是手工制作的或在受控条件下学习的,仅适用于有限的领域。提出了一种通过扩展神经辐射场(NeRFs)从未标记的单目视频中学习生成神经体模型的方法。我们为它们配备了一个骨架,以应用于时变和关节运动。一个关键的见解是,隐式模型需要显式表面模型中使用的正运动学的逆。我们的reparameterization定义的空间潜变量相对于身体部位的姿势,从而克服了不适定的逆运算与overparameterization。这使得能够从头开始学习体积体型和外观,同时联合细化关节姿势;所有这些都没有输入视频上的外观,姿势或3D形状的地面真实标签。当用于新视图合成和运动捕捉时,我们的神经模型提高了不同数据集的准确性。项目网址:https://lemonatsu.github.io/anerf/。
2021-10-29 cs.CV cs.GR
NeRFFaceEditing: Disentangled Face Editing in Neural Radiance Fields
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Beijing Jiaotong University(北京交通大学);University of Chinese Academy of Sciences(中国科学院大学);City University of Hong Kong(香港城市大学)
近来用于合成3D感知人脸图像的方法由于神经辐射场而获得了快速发展,从而允许高质量和快速推理速度。然而,用于独立地编辑面部几何形状和外观的现有解决方案通常需要重新训练,并且没有针对最近的生成工作进行优化,因此往往落后于生成过程。为了解决这些问题,我们引入了NeRFFaceEditing,它可以在预训练的基于三平面的神经辐射场中编辑和解耦几何和外观,同时保持其高质量和快速推理速度。我们的主要思想是使用三平面的统计数据来表示其相应的面部体积的高级外观。此外,我们利用生成的3D连续语义掩码作为几何编辑的中介。我们设计了一个几何解码器(其输出是不变的外观变化时)和外观解码器。几何解码器将原始面部体积与语义掩模体积对齐。我们还通过显式正则化具有相同外观但不同几何形状的渲染图像来增强解纠缠,以分别在每个面部组件的颜色分布方面相似。我们的方法允许用户编辑通过语义面具与解耦控制的几何形状和外观。定性和定量的评估显示,我们的方法相比,现有的和替代的解决方案优越的几何形状和外观控制能力。
2022-11-15 cs.CV cs.GR
NeARportation: A Remote Real-time Neural Rendering Framework
虽然真实感外观的呈现在增强虚拟环境中的沉浸感中起着重要作用,但显示真实对象的真实感外观仍然是一个具有挑战性的问题。摄影测量学的最新发展促进了将真实物体纳入虚拟空间。然而,真实感摄影测量需要专用的测量环境,并且在测量成本和质量之间存在权衡。此外,即使使用照片般逼真的外观测量,也存在渲染质量和帧速率之间的权衡。没有一个框架可以解决这些权衡并轻松地提供实时的【形】逼真的外观。我们的NeARportation框架结合了服务器-客户端双向通信和神经渲染来解决这些权衡。服务器上的神经渲染接收客户端的头部姿势并生成具有逼真外观再现的新颖视图图像,该图像被流传输到客户端的显示器上。通过将我们的框架应用于立体显示器,我们证实它可以根据用户的头部运动以35-40帧每秒(fps)的速度在全高清立体视频上显示高保真外观。
2022-10-22 cs.GR cs.HC
CLIP-based Neural Neighbor Style Transfer for 3D Assets
我们提出了一种方法,用于将样式从一组图像转移到3D对象。使用预先训练的深度神经网络,基于损失,利用管道中的可微分渲染器来优化资产的纹理外观。更具体地说,我们利用CLIP-ResNet 50的最近邻特征匹配损失来从图像中提取风格。我们表明,基于CLIP的风格损失提供了一个不同的外观超过基于VGG的损失,更侧重于纹理的几何形状。此外,我们扩展了损失,以支持多个图像,并使基于损失的控制与自动调色板提取的风格图像相结合的调色板。
2022-08-08 cs.GR
Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance
Weizmann Institute of Science(魏茨曼科学研究所)
在这项工作中,我们解决了具有挑战性的问题,多视图三维表面重建。我们引入了一个神经网络架构,同时学习未知的几何形状,相机参数,和神经渲染器,近似从表面反射到相机的光。几何形状被表示为神经网络的零水平集,而从渲染方程导出的神经渲染器能够(隐式地)对广泛的照明条件和材料进行建模。我们在DTU MVS数据集上训练了具有不同材料属性,光照条件和噪声相机初始化的对象的真实世界2D图像。我们发现我们的模型可以产生具有高保真度,分辨率和细节的最先进的3D表面重建。
2020-10-25 cs.CV cs.GR cs.LG
Artemis: Articulated Neural Pets with Appearance and Motion synthesis
ShanghaiTech University(上海科技大学);Deemos Technology Co., Ltd.(德默斯科技有限公司);DGene Digital Technology Co., Ltd.(DGene数字科技有限公司);Huazhong University of Science and Technology(华中科技大学)
本文提出 ARTEMIS 神经建模与渲染流水线,结合八叉树表示、体渲染、着色网络及运动捕捉与神经角色控制,实现毛茸茸动物的实时交互动画与照片级真实渲染。
2022-06-17 cs.CV cs.GR
Neural Differential Appearance Equations
University College London(伦敦大学学院)
提出神经ODE框架,通过预热去噪与时序演化训练合成生锈、风化等时变外观纹理,并构建RGB与BRDF数据集,实验及用户研究验证其真实连贯性。
2025-01-10 cs.CV cs.GR cs.LG
Compact Neural Appearance Models for Efficient Gaussian Splatting
TU Braunschweig(布伦瑞克工业大学);Università della Svizzera italiana(意大利南部大学);University of Würzburg(维尔茨堡大学);University of New Mexico(新墨西哥大学)
该研究对比了SH与近期球外观模型,提出基于小型共享MLP的紧凑神经外观模型,将3D高斯溅射每个基元外观占用空间从192字节减至28字节,优化提速1.3倍且提升重建质量,为替换SH提供实用指导。
2026-09-07 cs.CV cs.GR
Neural Voxel Renderer: Learning an Accurate and Controllable Rendering Tool
Google Research(谷歌研究院)
我们提出了一个神经渲染框架,将体素化场景映射到高质量的图像。高度纹理化的对象和场景元素的相互作用,现实地呈现我们的方法,尽管有一个粗略的表示作为输入。此外,我们的方法允许可控渲染:输入中的几何和外观修改准确地传播到输出。用户可以移动,旋转和缩放对象,更改其外观和纹理或修改灯光的位置,所有这些编辑都在最终渲染中表示。我们证明了我们的方法的有效性,通过渲染不同外观的场景,从单一的颜色每个对象复杂的,高频纹理。我们表明,我们的重新渲染网络可以生成非常详细的图像,精确地表示输入场景的外观。我们的实验表明,与替代方案相比,我们的方法实现了更准确的图像合成结果,并且还可以处理低体素网格分辨率。最后,我们展示了我们的神经渲染框架如何从真实图像和不同的类集合中捕获和忠实地渲染对象。
2020-04-06 cs.CV cs.GR
ShinyNeRF: Digitizing Anisotropic Appearance in Neural Radiance Fields
ShinyNeRF 通过联合估计表面法线、切线、镜面浓度和各向异性程度,实现了对各向异性镜面反射的高效数字化,同时提供了物理可解释的材料属性编辑。
2026-03-12 cs.CV cs.GR
A Hierarchical Architecture for Neural Materials
University of Manchester(曼彻斯特大学);University of California, Irvine(加州大学欧文分校);Luxion Inc(Luxion公司)
提出一种基于inception核心网络结构的神经外观模型,通过并行核多尺度捕捉材质外观、频率空间编码和自适应梯度损失,显著提升了具有强烈阴影和精细镜面高光材质的重现准确度。
2024-04-24 cs.CV cs.GR
Neural Actor: Neural Free-view Synthesis of Human Actors with Pose Control
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Facebook AI Research(Facebook 人工智能研究院)
我们提出了神经演员(NA),一种新的方法,高品质的合成人类从任意的观点和任意可控的姿态。我们的方法是建立在最近的神经场景表示和渲染工作,学习表示的几何形状和外观,只有2D图像。虽然现有的作品展示了令人信服的静态场景的渲染和动态场景的回放,但使用神经隐式方法,特别是在用户控制的新颖姿势下,对人类进行照片般逼真的重建和渲染仍然很困难。为了解决这个问题,我们利用一个粗略的身体模型作为代理,将周围的3D空间展开成一个规范的姿势。神经辐射场从多视图视频输入学习规范空间中的姿势相关的几何变形以及姿势和视图相关的外观效果。为了合成高保真动态几何形状和外观的新视图,我们利用身体模型上定义的2D纹理图作为预测残余变形和动态外观的潜在变量。实验表明,我们的方法在回放和新颖的姿势合成方面比最先进的方法具有更好的质量,甚至可以很好地推广到与训练姿势截然不同的新姿势。此外,我们的方法还支持合成结果的体型控制。
2022-01-04 cs.CV cs.GR cs.LG
Deep Shading: Convolutional Neural Networks for Screen-Space Shading
Max-Planck-Institut für Informatik(马克斯·普朗克计算机科学研究所);University College London(伦敦大学学院)
在计算机视觉中,卷积神经网络(CNN)最近在几个逆问题中实现了新的性能水平,其中RGB像素外观被映射到位置,法线或反射率等属性。在计算机图形学中,屏幕空间着色最近提高了交互式图像合成中的视觉质量,其中虚拟3D场景的位置,法线或反射率等每像素属性被转换为RGB像素外观,从而实现环境遮挡,间接光,散射,景深,运动模糊或抗锯齿等效果。在本文中,我们考虑对角问题:使用CNN从给定的每像素属性合成外观。由此产生的Deep Shading以具有竞争力的质量和速度模拟各种屏幕空间效果,而不是由人类专家编程,而是从示例图像中学习。
2016-08-03 cs.GR cs.LG
NeRF-Casting: Improved View-Dependent Appearance with Consistent Reflections
Google(谷歌公司);Carnegie Mellon University(卡内基梅隆大学)
针对NeRF难以渲染高光物体且反射不一致的问题,提出基于光线追踪的NeRF-Casting方法,通过投射反射光线并追踪特征向量,用小型网络解码颜色,实现高效且逼真的镜面外观与一致反射合成。
2024-05-23 cs.CV cs.GR
Neural Rerendering in the Wild
University of Maryland(马里兰大学);Google Inc.(谷歌公司)
我们将探索整个场景捕捉--在不同的外观(如季节和一天中的时间)下记录、建模和重新渲染场景。从旅游地标的互联网照片出发,我们应用传统的三维重建来配准照片并将场景近似为点云。对于每张照片,我们将场景点渲染到深度帧缓冲区中,并训练一个神经网络来学习这些初始渲染到实际照片的映射。该重渲染网络还将潜在外观向量和指示行人等瞬态对象的位置的语义掩码作为输入。该模型进行评估的几个数据集的公开可用的图像跨越广泛的照明条件。我们创建短视频演示图像视点,外观和语义标签的逼真操作。我们还比较结果与以前的工作从互联网上的照片场景重建。
2019-04-08 cs.CV cs.GR
Real-Time Rendering of Glinty Appearances using Distributed Binomial Laws on Anisotropic Grids
本文提出基于分布式二项式计数与各向异性纹理参数化的实时闪光材质渲染方法,可正确统计任意像素足迹内的反射鳞片,并实现稳定且1.5–5倍的加速。
2023-06-08 cs.GR
Neural Assets: Volumetric Object Capture and Rendering for Interactive Environments
Meta Reality Labs Research(Meta现实实验室)
创建逼真的虚拟资产是一个耗时的过程:它通常涉及艺术家设计对象,然后花费大量精力调整其外观。复杂的细节和某些效果(如次表面散射)无法使用实时BRDF进行表示,因此无法完全捕捉某些对象的外观。受神经渲染的最新进展的启发,我们提出了一种方法来捕捉真实世界中的物体在日常环境中忠实和快速。我们使用一种新的神经表示来重建体积效果,如半透明的对象部分,并保留真实感对象的外观。为了在不影响渲染质量的情况下支持实时渲染,我们的模型使用了一个网格的功能和一个小的MLP解码器,该解码器被编译成具有交互式帧速率的高效着色器代码。这导致所提出的神经资产与现有网格环境和对象的无缝集成。由于使用标准着色器代码,渲染可以跨许多现有的硬件和软件系统移植。
2022-12-12 cs.AI cs.CV cs.GR
Learning Neural Implicit Representations with Surface Signal Parameterizations
Carleton University(卡尔顿大学);McGill University(麦吉尔大学);Huawei Technologies Canada(华为加拿大技术公司)
提出一种权重编码神经隐式表示方法,通过隐式编码表面参数化实现纹理映射,使隐式表面兼容现有网格数字内容,并在性能上超越基线与现有先进方法。
2023-06-26 cs.CV cs.GR
Nuvo: Neural UV Mapping for Unruly 3D Representations
Google Research(谷歌研究院)
针对神经辐射场等产生的不规则3D几何,本文提出Nuvo,用神经场表示并优化仅覆盖可见点的连续UV映射,以获得鲁棒、可编辑且能呈现细致外观的纹理坐标。
2023-12-11 cs.CV cs.GR
MoFaNeRF: Morphable Facial Neural Radiance Field
Nanjing University(南京大学)
我们提出了一个参数模型,映射到一个矢量空间的编码面部形状,表情和外观的神经辐射场,即变形面部NeRF的自由视图图像。具体而言,MoFaNeRF将编码的面部形状、表情和外观以及空间坐标和视角方向作为MLP的输入,并输出空间点的辐射度以进行照片级逼真的图像合成。与传统的3D变形模型(3DMM)相比,MoFaNeRF显示出优越性,直接合成照片般逼真的面部细节,甚至眼睛,嘴巴和胡子。此外,连续的脸变形可以很容易地实现输入形状,表情和外观代码插值。通过引入身份特定调制和纹理编码器,我们的模型合成准确的光度细节,并显示出强大的表示能力。我们的模型在多个应用中表现出了强大的能力,包括基于图像的拟合,随机生成,面部操纵,面部编辑和新颖的视图合成。实验表明,我们的方法实现了更高的表示能力比以前的参数模型,并在一些应用中取得了竞争力的性能。据我们所知,我们的工作是第一个面部参数化模型建立在一个神经辐射场,可用于拟合,生成和操作。代码和数据可在https://github.com/zhuhao-nju/mofanerf上获得。
2022-07-22 cs.CV cs.GR
Learning Object-Centric Neural Scattering Functions for Free-Viewpoint Relighting and Scene Composition
Google Research(谷歌研究院);Stanford University(斯坦福大学)
针对现有神经隐式方法无法重光照、逆渲染方法难处理半透明物体的问题,提出以物体为中心的神经散射函数OSFs,通过近似远光辐射传输规避复杂次表面建模,实现了两类物体的高精度外观重建、自由视角重光照及场景合成。
2023-10-04 cs.CV cs.GR
Locally Stylized Neural Radiance Fields
Hong Kong University of Science and Technology(香港科技大学);Trinity College Dublin(都柏林圣三一学院);VinAI Research(VinAI研究院)
本文提出一种基于局部风格迁移的神经辐射场风格化框架,利用哈希网格编码分离外观与几何,并通过分割网络和二分匹配建立区域对应关系,实现可控的新视角风格化渲染。
2023-09-19 cs.CV cs.GR
Block-NeRF: Scalable Large Scene Neural View Synthesis
Waymo;Google Research(谷歌研究院);UC Berkeley(加州大学伯克利分校)
我们提出了块NeRF,神经辐射场的一个变体,可以代表大规模的环境。具体来说,我们证明了当缩放NeRF以渲染跨越多个街区的城市规模场景时,将场景分解为单独训练的NeRF是至关重要的。这种分解将渲染时间从场景大小中分离出来,使渲染能够扩展到任意大的环境,并允许对环境进行逐块更新。我们采用了几个架构更改,使NeRF对在不同环境条件下捕获的数据具有强大的鲁棒性。我们添加外观嵌入,学习姿势优化和可控曝光到每个单独的NeRF,并介绍了一个程序,用于对齐相邻NeRF之间的外观,使它们可以无缝组合。我们从280万张图像中构建了一个Block-NeRFs网格,以创建迄今为止最大的神经场景表示,能够渲染旧金山的整个社区。
2022-02-10 cs.CV cs.GR
NeuMIP: Multi-Resolution Neural Materials
University of California, San Diego(加州大学圣迭戈分校);Adobe Research(Adobe研究院)
我们提出了NeuMIP,一种神经方法,用于表示和渲染各种不同尺度的材料外观。经典的预过滤(mipmapping)方法可以很好地处理简单的材质属性,如漫反射颜色,但无法推广到法线,自阴影,纤维或更复杂的微观结构和反射率。在这项工作中,我们将传统的mipmap金字塔推广到神经纹理的金字塔,并结合了一个完全连接的网络。我们还介绍了神经偏移,一种新的方法,允许渲染材料与复杂的视差效果,而无需任何镶嵌。这概括了经典的视差映射,但在没有任何显式高度场监督的情况下进行训练。我们的系统中的神经材料支持7维查询,包括位置,传入和传出方向,以及所需的过滤器内核大小。这些材质的存储量很小(除了纹理通道较多外,与标准mipmapping的数量级相当),并且可以集成到常用的蒙特卡罗路径追踪系统中。我们在各种材料上演示了我们的方法,从而在不同细节层次上产生复杂的外观,并具有精确的视差,自阴影和其他效果。
2021-04-06 cs.GR cs.LG eess.IV
GroomLight: Hybrid Inverse Rendering for Relightable Human Hair Appearance Modeling
Stanford University(斯坦福大学);Google(谷歌公司);ETH Zurich(苏黎世联邦理工学院)
本文提出 GroomLight,通过结合扩展头发 BSDF 与光照感知残差模型的混合逆渲染流程,从多视角图像实现高保真的头发重光照、视角合成与材质编辑。
2025-03-13 cs.CV cs.GR
Incorporating dense metric depth into neural 3D representations for view synthesis and relighting
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所)
本文提出将稠密度量深度融入神经三维表示训练,通过区分纹理与几何边缘消除联合优化伪影,并开发多闪光立体相机系统,在少量视图下实现高质量视图合成与重光照。
2024-09-04 cs.CV cs.GR cs.RO
Dynamic Neural Radiance Fields for Monocular 4D Facial Avatar Reconstruction
Technical University of Munich(慕尼黑工业大学);Facebook Reality Labs(Facebook现实实验室)
我们提出了动态神经辐射场建模的外观和动态的人脸。数字建模和重建说话的人是各种应用的关键组成部分。特别是,对于AR或VR中的远程呈现应用,需要忠实地再现包括新颖视点或头部姿势的外观。与明确建模几何形状和材料属性或纯粹基于图像的最先进方法相反,我们引入了基于场景表示网络的头部隐式表示。为了处理面部的动态,我们将我们的场景表示网络与低维变形模型相结合,该模型提供了对姿势和表情的显式控制。我们使用体积渲染从这种混合表示生成图像,并证明这样的动态神经场景表示可以只从单眼输入数据学习,而不需要专门的捕获设置。在我们的实验中,我们表明,这种学习的体积表示允许照片般逼真的图像生成,超越了最先进的基于视频的重演方法的质量。
2020-12-05 cs.CV cs.GR
NEMTO: Neural Environment Matting for Novel View and Relighting Synthesis of Transparent Objects
School of Computer and Communication Sciences, EPFL(EPFL计算机与通信科学学院)
本文提出端到端神经渲染流水线 NEMTO,利用 SDF 几何建模和折射感知光线弯折网络,从二维图像实现未知折射率透明对象的高质量新视角与重光照合成。
2024-04-04 cs.CV cs.GR
NeuWigs: A Neural Dynamic Model for Volumetric Hair Capture and Animation
Carnegie Mellon University(卡内基梅隆大学);Reality Labs Research(Reality Labs研究院);Google(谷歌);Epic Games
本文提出NeuWigs两阶段神经动态模型,通过自动编码器压缩3D头发状态并学习动力学,实现独立于头部的高质量头发捕捉与动画生成,在新视角合成上超越现有方法。
2023-10-12 cs.CV cs.GR
3D-Aware Scene Manipulation via Inverse Graphics
Tsinghua University(清华大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Google Research(谷歌研究院)
我们的目标是获得一个可解释的,富有表现力的,并解开场景表示,包含全面的结构和纹理信息,为每个对象。以前由神经网络学习的场景表示通常是不可解释的,仅限于单个对象,或者缺乏3D知识。在这项工作中,我们提出了3D场景去渲染网络(3D-SDN),以解决上述问题,将语义,几何和外观的解纠缠表示集成到一个深生成模型。我们的场景编码器执行逆图形,将场景转换为结构化的对象表示。我们的解码器有两个组成部分:一个微分形状渲染器和神经纹理生成器。语义、几何和外观的解纠缠支持3D感知场景操纵,例如,自由旋转和移动对象,同时保持一致的形状和纹理,并在不影响其形状的情况下改变对象外观。实验表明,我们的编辑方案的基础上3D-SDN是优于其2D对应。
2018-12-18 cs.CV cs.GR eess.IV
Neural BRDF Representation and Importance Sampling
University College London(伦敦大学学院)
对真实世界材料外观的受控捕获产生高度真实的反射率数据的列表集。然而,在实践中,它的高内存占用需要压缩成一个表示,可以有效地用于渲染,同时保持忠实于原始。以前的作品中的外观编码往往优先考虑这些要求之一,在其他的费用,通过应用高保真数组压缩策略不适合高效的查询在渲染过程中,或通过拟合一个紧凑的分析模型,缺乏表现力。我们提出了一个紧凑的神经网络为基础的表示的BRDF数据,结合高精度的重建与高效的实际渲染通过内置的反射率插值。我们将BRDF编码为轻量级网络,并提出了一种具有自适应角度采样的训练方案,这对于镜面高光的准确重建至关重要。此外,我们提出了一种新的方法,使我们的表示服从重要性采样:而不是反转的训练网络,我们学会了编码它们在一个更紧凑的嵌入,可以映射到参数的分析BRDF的重要性采样是已知的。我们评估编码结果的各向同性和各向异性BRDF从多个现实世界的数据集,和重要性采样性能的各向同性BRDF映射到两个不同的分析模型。
2021-05-14 cs.CV cs.GR cs.LG