划重点:
⭐️ 通过生成模型先学习材料，规范优化过程
⭐️ 模型基于漫反射和镜面反射着色项，提高准确性
⭐️ 采用从粗到精的训练策略，实现稳定且准确的材质回收结果
站长之家（ChinaZ.com）4月26日 消息:在未知静态照明条件下拍摄的姿势图像中恢复物体材质是一项挑战性任务。近期的研究通过神经网络表示材料，并通过基于物理的渲染优化模型参数来解决这一问题。然而，由于物体几何形状、材质和环境光照之间的耦合关系，导致逆渲染过程存在固有的模糊性，因此先前的方法难以获得准确结果。
为了克服这个问题，研究者提出了一种关键思想，即先通过生成模型学习材料，以规范优化过程。他们发现一般渲染方程可分为漫反射和镜面反射着色项，从而将材质先验转化为反照率和镜面反射的扩散模型。这种设计使得模型能够利用丰富的3D 对象数据进行训练，并有效解决从 RGB 图像中恢复多种材质表示时的歧义性。
此外，研究团队还开发了一种从粗到精的训练策略，利用估计的材料指导扩散模型产生多视图一致的约束，从而获得更稳定和准确的结果。通过广泛实验验证，他们的方法在材料回收方面取得了最先进的性能，为物体材质恢复领域带来了新的突破。
产品特色功能亮点:
- 生成模型学习材料，规范优化过程
- 模型基于漫反射和镜面反射着色项，提高准确性
- 采用从粗到精的训练策略，实现稳定且准确的材质回收结果
项目入口:https://top.aibase.com/tool/intrinsicanything