基于深度学习的轻量级物体表观建模研究

作     者：张健照 

作者单位：中国科学院大学 

学位级别：硕士

导师姓名：吴恩华

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：深度学习 逆向绘制 神经网络 轻量级物体 表观建模 

摘      要：物体表观建模是计算机图形学中的一个重要研究问题。重建物体表观，旨在对物体表面处于不同光照下的反射效果进行建模。高质量的物体表观重建在增强现实、电影制作、游戏等领域都有广泛的应用，对研究真实世界的数字化有着重要的意义。物体对光照的反射效果通常表示为关于光线入射、出射方向以及表面位置的高维函数。从图像中重建物体表观，需要从已融合的信息中推测原本材质属性，是一个严重欠定的问题，特别是对于视觉效果复杂的物体，具有很大的难度和挑战。 传统的基于测量的方法，通过密集采样来实现高质量的表观重建。这些方法依赖于专业设备，使用范围非常有限。随着深度学习技术在图像处理任务中的成功应用，基于深度学习的材质建模方法开始出现。 本文围绕基于深度学习的物体表观建模开展研究工作，提出了一种基于深度逆向绘制的物体表观建模算法，并构建了以商用智能设备为主的轻量级数据采集系统。算法的核心是利用神经网络来表示物体表面材质。为此，我们将物体表面材质与几何进行解构，并使用自编码器来描述解构之后的表面材质。光源设置很大程度上决定了算法的复杂度。为了实现轻量级目标，本文以未知位置的点光源作为光照条件，在非完全可控条件下采集输入图像。此外，本文算法支持任意数量的输入图像，可以根据待测物体灵活地调整输入数据规模。实验结果表明，在合成数据与真实采集的数据上，本文算法都能够高质量地重建物体表观。