材料识别的差分角成像
本研究旨在以图像和几何信息为基础来识别材料类别。我们提出了一个新的数据集来研究如何使用 3D 几何信息和 2D 特征来提高材料分类的准确性,并且结果表明联合和独立地使用 2D 和 3D 特征来模拟材料可以提高材料分类的准确性。
Jul, 2016
本篇论文提出一种基于反向渲染框架的可微分降噪网络 DANI-Net,该网络通过不同的可微分路径利用阴影和各向异性反射特征,有效地解决了非 Lambertian 对象和复杂反射材料所带来的影响,并在多个真实世界数据集上取得了优异的性能表现。
Mar, 2023
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
本论文提出了一种名为 RADAR 的方法,它可以从实际的单图像集合中恢复环境照明和表面材料,利用了自我监督的反照率鉴别器和旋转对称形状重建模块的组合,实现了无监督图像去渲染和基于自由视角的渲染和重构。
Apr, 2021
通过利用 RGB-D 图像重建场景的几何和同时恢复复杂反射和自然照明的 radiometric 成分,从而对多个未知材料对象进行空间变化的建模,可以实现从 RGB-D 图像中恢复丰富的 radiometric 信息,并展示 RGB-D 传感器在场景理解任务中的新角色。
Apr, 2016
本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法,旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF,通过最小化光度误差优化多视角反射率网络的潜在空间,成功地实现了从稀疏数据中重建出高质量的物体,进而渲染出真实的图像。
Mar, 2020
本文提出了一种使用合成孔径雷达图像进行可微分渲染的方法,结合了 3D 计算机图形学和神经渲染,并在高保真模拟 SAR 数据上演示了从有限 SAR 图像重建 3D 对象的逆图形问题。
Apr, 2022
本研究提出了一种用于光度立体图像的卷积神经网络结构,通过物理学建模的无监督学习框架,可以进行表面法线和反射率预测,并且在实际场景中达到了最先进的性能表现。
Feb, 2018