几何计算辅助的材料识别
通过拍摄来自不同视角的 3D 点的表征,利用投影卷积神经网络架构来学习物质感知描述符,从而实现物质感知的 3D 形状分析,并且通过众包的方式构建了一个 3D 形状数据集,证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。
Oct, 2018
本文介绍了一个新的、大规模、开放的野外材料数据库(Materials in Context Database,MINC),并结合深度学习,在野外图像中实现材料识别和分割。使用 MINC,我们训练了卷积神经网络(CNN)进行两个任务:对补丁分类的材料分类和在完整图像中同时进行材料识别和分割。通过在 MINC 上进行补丁分类,我们发现表现最好的 CNN 架构可以实现 85.2% 的平均分类准确度。我们将这些训练好的 CNN 分类器转换为高效的完全卷积框架,再结合完全连接的条件随机场(CRF)来预测图像中每个像素的材料,达到 73.1% 的平均分类准确度。我们的实验表明,在野外材料识别和分割中,拥有一个大型的、经过充分采样的数据集(如 MINC)至关重要。
Dec, 2014
该论文提出了一种基于微小角度变化的差分角成像技术的材料识别新方法,结合已有的丰富辐射特征和灵活的图像捕捉,在创建了一个大规模真实场景数据库 GTOS 的基础上,成功训练出一种叫做 DAIN 的网络,所得到的材料识别性能优于单视图或粗略量化的多视图图像识别方法。
Dec, 2016
本研究提出了一种基于学习的方法,使用微观几何外观作为主要线索,从材料的单个漫反射图像中恢复法线、高光和粗糙度,并展示了我们的方法的性能表现。
May, 2023
介绍了一个新的光场数据集,并利用深度学习在 4D 光场上进行材料识别。实验中,最佳表现的 CNN 架构相比 2D 图像分类提高了 7%(从 70%到 77%),这些结果构成了对 CNN 应用于光场应用的重要基线。
Aug, 2016
本文提出了一种能够分离图像中材质相似区域的方法,并在合成图像数据集中进行了验证,证明了其在实际应用中的有效性,可用于材质编辑、视频中的选择和检索具有相似材质的物体照片。
May, 2023
本文提出了一种在二维法线领域中提取新的法线特征表示作为微几何结构携带者的高效表面细节处理框架,该框架具有细节可分离性、细节可传递性和细节幂等性,应用于几何表面细节处理中,包括几何纹理合成、几何细节传输和三维表面超分辨率,可以高效地提取高清晰度 3D 视觉应用的表面细节。
Jul, 2023