基于深度残差网络自强化学习方法的表观建模

作     者：尹航 

作者单位：辽宁工程技术大学 

学位级别：硕士

导师姓名：张海涛

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：表观建模 卷积神经网络 双向表面反射分布函数 深度残差网络 自强化学习 

摘      要：三维物体的高质量表观建模通常通过手工方式,十分依赖专业人士的经验,所以产出效率较低。随着机器学习的发展,近年来通过机器自动进行表观建模成为热点问题,由于其数据集采集困难,可以采用自强化学习方法提升图像质量,但这种方法还存在过于冗余低效,容易过拟合,梯度消失/爆炸等缺点。针对上述问题,本文提出了一种基于深度残差网络自强化学习方法的表观建模。首先使用深度残差网络调整其结构,防止梯度消失/爆炸等现象发生。并对激活函数做出改进,保留了更多的神经元,从而保留了更多有效信息。其次在每个分析层加入Dropout层,一定程度上缓解了过拟合的发生。最终通过多种不同材质的实验,以平均峰值信噪比和结构相似度(PSNR/SSIM)为标准对比了渲染后图像的结果,改进后的深度残差网络自强化学习表观建模相比原自强化网络的表观建模在金属、木质、塑料材质的峰值信噪比提高了6.82d B、4.27d B、0.47d B,结构相似性提高了0.036、0.061、0.006,客观上本文方法生成的表观材质质量高于原自强化网络。同时展示了本文方法在实际场景中的应用,具备一定的真实感。最后通过消融实验证明了改进的深度残差网络效果更好,表观建模的质量更高。该论文有图33幅,表6个,参考文献52篇。