没有合适的资源?快使用搜索试试~ 我知道了~
2447用于联合材质和光照估计的反向路径跟踪DejanAzino vic'1Tzu-MaoLi2,3AntonKaplan yan3MatthiasNießner11慕尼黑工业大学2MIT CSAIL3Facebook Reality Labs图1:我们的反向路径跟踪算法将3D场景和多个RGB图像(左)作为输入,并估计场景的材质和照明参数。我们的方法的主要贡献是制定一个端到端的可微逆蒙特卡罗渲染器,这是利用嵌套随机梯度下降优化。摘要现代计算机视觉算法给三维几何重建带来了重大的进步然而,照明和材料重建仍然很少研究,目前的方法假设非常简化的模型,材料和照明。我们介绍了反向路径跟踪,一种新的方法,共同估计室内场景中的物体和光源的材料属性,通过使用可逆的光传输模拟。我们假设一个粗略的几何扫描,以及相应的图像和相机姿势。这项工作的关键贡献漫反射、镜面反射、粗糙度等)用于在新的条件下编辑和重新再现场景的目的为此,我们引入了一种新的优化方法,使用可微蒙特卡罗渲染器,计算导数相对于估计的未知照明和材料属性。这使得能够使用定制的随机梯度下降联合优化物理正确的光传输和材料1. 介绍随着廉价的商品RGB-D传感器的可用性,例如Microsoft Kinect,Google Tango或Intel RealSense,我们已经看到了3D重建技术的令人难以置信的进步[27,14,28,33,8]。虽然跟踪和重建质量已经达到了令人印象深刻的水平,照明和材料的估计往往被忽视。不幸的是,这给虚拟和混合现实应用带来了严重的问题,我们需要从不同的视角重新渲染场景,放置虚拟对象,编辑场景,或者启用远程呈现场景,其中一个人被放置在不同的房间里。这个问题已经在2D图像领域中被观察到,导致在内在图像或视频上的大量工作[1,26,25]。然而,由于缺乏已知的几何形状,该问题在单目RGB数据上严重约束不足,因此需要大量的正则化来联合解决照明、材料和场景几何形状。 我们认为,这个问题是更容易处理的背景下,给定的3D重建。然而,即使深度数据可用,大多数现有技术的方法,例如,基于阴影的细化[34,37]或室内重新照明[36],是基于简单的照明模型,如球形,几何目标视图渲染反向路径跟踪粗糙度反照率发射2448标准谐波(SH)[30]或空间变化SH [23],这可能导致遮挡和视图相关效果的问题(图11)。4).在这项工作中,我们解决了这个缺点,公式化的材料和照明估计作为一个适当的逆渲染问题。为此,我们提出了一种反向路径跟踪算法,该算法将给定的3D场景以及单个或多个捕获的RGB帧作为输入我们的方法的关键是一个可微的蒙特卡罗路径跟踪器,它可以区分相对于渲染参数的限制上的差异的渲染图像和目标观察。利用这些导数,我们通过将蒙特卡洛路径跟踪过程嵌套到随机梯度下降(SGD)优化中来解决材料和照明参数这项工作的主要贡献在于SGD优化公式,它受到深度神经网络最新进展的启发。图2:在真实3D场景中插入虚拟对象;我们的方法的估计的照明和材料参数使得能够在AR设置中进行令人信服的图像合成。我们将这种反向路径跟踪算法定制为3D场景,其中场景几何形状(大部分)给定,但材料和照明参数未知。在对合成地面实况和真实扫描数据的一系列实验中,我们评估了优化器的设计选择。在比较国家的最先进的照明模型,我们表明,我们的逆渲染公式实现更准确的结果。总之,我们贡献如下:• 用于联合材料和照明估计的端到端可微分逆路径跟踪公式。• 一个灵活的随机优化框架,具有可扩展性和灵活性,适用于不同的材料和正则化项。2. 相关工作材料和照明重建在计算机视觉中有很长历史(例如,[29,4])。给定场景几何形状和观察到的表面辐射,任务是推断材料属性并定位光源。然而,据我们所知,现有的方法都没有处理非朗伯材料的近场照明(面积光源),同时考虑表面之间的相互反射3D方法在重建材料和照明时,一个常见的假设是光源离得很远。Ramamoorthi和Hanrahan [30]将材料和照明投影到球谐函数上,并使用卷积理论求解其系数。Dong等人[11]求解来自对象视频的空间变化Kim等人[19]通过训练在从RGB-D视频构建的体素上操作的卷积神经网络来重建反射率。Maier等人[23]将球谐函数推广到处理空间依赖效应,但没有正确考虑视图依赖反射和遮挡。所有这些方法通过假设光源无限远来简化问题,以便重建由所有阴影点共享的单个环境图。相比之下,我们将照明建模为曲面的发射,并更好地处理近场效果,如平方距离衰减或光泽反射。图像空间方法(例如,[2、1、10、25])。这些方法通常采用复杂的数据驱动方法,通过学习材料和插图的分布。然而,这些方法没有3D几何的概念,并且不能以基于物理的方式处理遮挡、相互反射和几何因素(诸如平方距离衰减)。这些方法通常也需要大量的训练数据,并且当受到与训练数据具有不同特征的场景时容易主动照明(例如,[24、9、16])。这些方法使用高度受控的照明进行重建,通过仔细放置光源并测量强度。这些方法以更复杂的设置为代价产生高质量的结果反向辐射度(例如,[35,36])对于解决近场照明和用于室内照明的朗伯材料实现了令人印象深刻的结果。很难将辐射度算法推广到处理非朗伯材质(Yuetal.通过明确地测量材料来处理它,而Zhanget al.假设是朗伯型)。可区分的渲染。Blanz和Vetter使用3D变形模型[3]利用可微分渲染进行面部重建,这现在被现代分析合成面部跟踪器[31]利用。Gkioulekas等人[13,12]和Cheetal. [7]使用可微分体积路径跟踪器求解散射参数。Kasper等人[17]开发了一种可微分路径跟踪器,但专注于远距离照明。Loper和Black [22]和Kato [18]开发了快速可微分光栅化器,但不支持全局照明。Li等[21]表明,可以计算路径跟踪器的正确梯度,同时考虑可见性引入的不连续性。2449CRR3. 方法我们的反向路径跟踪方法采用基于物理的光传输模拟[15]来估计所有未知参数w.r.t.渲染的图像。渲染问题通常是非常高维的,因此通常使用随机积分方法来解决,例如Monte Carlo积分。在这项工作中,我们嵌套可微路径跟踪到随机梯度下降来解决未知的场景参数。图3说明了我们的方法的工作流程。我们从捕获的图像,场景的几何形状,对象分割的场景,以及照明和材料参数的任意初始猜测。然后通过优化渲染图像以匹配捕获的图像来估计材料和发射特性。路径跟踪器使用蒙特卡罗积分呈现图像的噪声和欠采样版本,并计算每个采样光路的导数w.r.t.未知的人。这些导数作为输入传递到我们的opti- mizer执行一个单一的优化步骤。这个过程会反复执行,直到我们得到正确的解决方案。路径跟踪是一个计算量很大的操作,并且这个优化问题是非凸和不适定的。为此,我们采用方差减少和新的正则化技术(第二节)。4.4)使我们的梯度计算在合理的时间内达到收敛的解决方案,通常在现代8核CPU上只需几分钟。3.1. 光传输模拟如果已知所有场景和图像参数,则可以使用光计算预期线性像素强度材料参数以及关于光源的信息对于路径X=(x0,.,xk),则测量贡献函数具有以下形式:Ykf(X)=Le(x0,x0x1)fr(xi,xi−1xi,xixi+1),(2)i=1其中Le是在场景表面点x0(光路的开始)处朝向方向x0x1发射的辐射率。在光路的每个相互作用顶点xi处,定义了双向反射分布函数(BRDF)fr(xi,xi−1xi,xixi+1)。BRDF描述了点xi处的材料属性,即,有多少光从入射方向xi-1xi向出射方向xixi+1散射。 参数BRDF模型fr的选择对于可以由我们的系统重构的材料的范围是至关重要的。我们在第二节中讨论了选择BRDF模型4.1.请注意,BRDFfr和发射辐射率Le都是未知的,并且要在场景流形上的每个点处找到所需参数3.2. 优化照明和材料我们以真实世界照片或合成渲染的形式将一系列图像作为输入,以及重建的场景几何形状和相应的相机姿势。我们的目标是解决未知的材料参数-将产生与输入相同的场景的渲染图像的参数M和照明参数L图像.给定未色调映射的捕获像素强度I,在所有图像的所有像素j处,以及相应的噪声es-运输模拟 在这项工作中,我们假设所有的表面-估计的像素xel强度Ij(在线性颜色空间中),我们寻求面是不透明的并且没有参与的媒体(例如,所有材料和照明参数Θ={M,L},雾)中。 在这种情况下,渲染强度I j使用路径积分计算像素j[32]:为使用随机梯度下降来求解以下优化问题:联系我们..Ij=hj(X)f(X)dµ(X),(1)argminE(Θ)=. Ij-Ij.、(3)R.CΩΘjR.1其中X=(x0,...,xk)是光路,即,从光源开始到传感器结束的场景表面上的顶点列表;积分是在所有长度的所有可能光路的空间上取得的路径积分,表示为λ,具有积面积度量μ(·);f(X)是平均值,确定光路X的贡献函数,hj(X)是传感器的像素j的像素滤波器内核,其仅在光路X围绕像素j结束并且在该像素处并入传感器灵敏度时才我们建议感兴趣的读者参考维奇的工作[32],其中N是所有图像中的像素数。我们发现,使用L1范数作为损失函数有助于对离群值的鲁棒性,例如来自Monte Carlo抽样的极高贡献样本。3.3. 用路径跟踪计算导数为了有效地解决方程中的最小化问题使用随机优化,我们计算能量函数E(Θ)相对于未知材料和发射参数Θ的集合的梯度:关于光传输路径集成的更多细节。对于我们的任务来说,被积函数最重要的一项是ΣNθE(Θ)=∇ΘI˜jsgn .Ij−IjΣ 、(四)路径测量贡献函数f,因为它包含R C RJ2450RRR更新排放更新排放更新物料更新物料(a)输入照片(b)几何扫描&对象分割(c) 路径跟踪(d) 反向传播重建材料照明图3:我们的管道概述给定(a)来自不同视图的一组输入照片,以及(b)准确的几何扫描和适当的分割,我们通过迭代地(c)使用路径跟踪渲染场景,以及(d)反向传播到材料和照明参数以更新它们,来重建场景的材料属性和照明经过多次迭代,我们获得了(e)重建的材料和照明。其中,sgn(·)是符号函数,并且是蒙特卡罗估计相对于所有未知数Θ的梯度。注意,用于计算梯度的该等式现在对于每个像素j具有两个蒙特卡罗估计:(1)pix el颜色本身I的估计;以及(2)其梯度的估计dient[dient][dient] 由于当随机变量独立时,乘积的期望仅等于期望的乘积,所以抽取独立样本是很重要的以避免引入偏差。为了计算单个像素j的蒙特卡罗估计的梯度,我们确定采样光路X的测量贡献函数f(X)涉及哪些未知数。我们通过微分方程得到了梯度的显式公式。2使用乘积规则(为了简洁起见,我们省略了发射Le和BRDFfr的一些参数):Yk从布景看。这对于推断光源在场景中的正确位置是重要的。对于许多视图,该方法可以更好地处理依赖于视图的效果,例如镜面反射和光泽高光,其可以仅用单个视图不适定,因为它们也可以被解释为反射纹理的变化。4. 优化参数和方法在本节中,我们将解决优化任务的剩余挑战:我们实际优化的材料和照明参数是什么,以及如何解决问题的不适定性质。4.1. 参数化材料模型我们希望我们的材料模型满足几个属性。首先,它应该涵盖尽可能多的外观变化,包括诸如镜面高光等常见效果,θLf(X)=Σkfr(xi)(5)我Yk光、多层材料和空间变化的纹理。另一方面,由于每个参数都为优化增加了一个未知数,因此我们希望保持θMf(X)=Le(x0)θMfr(xl)fr(xi)(6)参数的数量最少。既然我们有兴趣li,i/=l其中,梯度向量θ={θM,θL}非常稀疏,并且仅对于路径X所接触的未知数具有非零值。排放梯度(Eq.5)和交配-rials(方程式)6)具有与原始路径连接器(Eq. 2)的情况。因此,应用相同的路径采样策略是很自然的;详见附件。3.4. 多个所俘获图像单个图像问题可以直接扩展到多个图像。给定一个场景的多个视图,我们的目标是找到参数,这些视图中的渲染图像匹配输入图像。一组多个视图可以覆盖场景中未被任何单个视图覆盖的部分。在重新渲染和相关任务中,材料模型需要具有可解释的参数,因此用户可以调整参数以实现期望的外观。最后,由于我们使用基于一阶梯度的优化来优化材料属性,因此我们希望材料参数的范围相似。为了满足这些特性,我们使用迪士尼材料模型[5]表示我们的材料,这是电影和游戏渲染中使用的最先进的基于物理的材料模型。它有一个所有这些参数在感知上都映射到[0, 1],这既可解释又适合于优化。2451图4:基于球面谐波的方法由于远距离照明假设而难以处理尖锐阴影或照明变化。基于物理的方法(如反向路径跟踪)可以正确地再现这些效果。4.2. 场景参数化我们使用三角形网格来表示场景的几何形状. 曲面法线是按顶点定义的,并使用重心坐标在每个三角形内插值。在每个对象的基础上执行优化,即,每个物体具有单个未知发射和一组材料参数,假设这些参数在整个物体上是恒定的。我们表明,这是足够的,以获得准确的照明和一个平均的恒定值为对象的亮度。4.3. 排放参数化对于发射重建,我们目前假设所有光源都是具有现有重建几何的场景表面。对于每个发射表面,我们目前假设发射的辐射根据与视角无关的定向发射轮廓Le(x,i)=e(x)(i·n(x))+,其中e(x)是x处的未知辐射通量;i是表面点x处的发射方向,n(x)是x处的表面法线,(·)+是仅限为正值的点积(余弦)这是一种常见的排放轮廓的大部分地区的灯光,这近似于大多数真正的软室内照明很好。我们的方法还可以扩展到更复杂或甚至未知的定向发射轮廓或纯定向远距离照射(例如,天空穹顶,太阳)。4.4. 正则化通过将发射分配给三角形,最容易解释场景中对象的观察颜色这只能通过对象不同部分的阴影差异来然而,可能发生的是,在对象的阴影中不存在可分辨的差异,特别是如果对象仅覆盖输入图像中的几个像素这可能是优化过程中的错误来源。另一个误差来源是蒙特卡罗和SGD噪声。这些误差导致优化后许多对象的发射参数不正确。这些物体通常有一个小的估计发射值,而实际上它们应该没有。我们面对的一个L1正则化子的问题。场景中的绝大多数对象都不是发射器,并且具有这样的正则化器可以抑制优化后发射参数的小误差4.5. 优化参数我们使用ADAM [20]作为我们的优化器,批量大小B=8估计像素,学习率为5· 10−3。为了形成一个批次,我们从所有图像的所有像素的集合中均匀地采样B个像素有关不同批量和样品影响的评价,请参见附录收敛速度上的分布。虽然更大的批处理大小可以减少每次迭代的方差,但具有更小的批处理大小以及因此更快的迭代被证明更有益。5. 结果综合数据评价。我们首先在多个合成场景上评估我们的方法,在那里我们知道地面实况解决方案。定量结果列于表中。1,定性结果如图所示。五、每个场景都是使用路径跟踪器与地面实况照明和材料来渲染的,以获得“捕获的图像”。然后将这些捕获的图像和场景几何形状提供给我们的反向路径跟踪算法,该算法针对未知的照明和材料参数进行优化。我们将其与基于空间变化球谐函数(SVSH)的最接近的先前工作进行比较[23]。SVSH无法捕捉阴影或高频照明变化等阴影质量的比较如图所示。4.第一章我们的方法正确地检测光源并收敛到正确的发射值,而不发光的物体的发射保持为零。图6示出了利用来自对来自图1的输入视图执行的优化的结果来渲染的新颖视图。五、即使光源在任何输入视图中都不可见,其发射也是通过反向路径跟踪正确计算的除了Replido,我们的Inverse Path Tracer还可以优化其他材料参数,如粗糙度。在图8中,我们绘制了一个包含不同粗糙度对象的场景。即使当提出的挑战,estimating两个粗糙度和粗糙度,我们的方法产生正确的结果显示在重新渲染的图像。对真实数据的评价。我们使用Matterport3D [6]数据集来评估我们在通过3D重建获得的真实捕获场景上的方法。使用数据集中提供的分割对场景进行参数化。由于数据中的缺陷,例如缺失的几何形状和不准确的表面法线,执行精确的光传输模拟更具挑战性。尽管如此,我们的方法产生了令人印象深刻的结果,为给定的投入。优化后,优化后的光照方向2452图5:合成场景的评估三个场景已经从不同的视图中使用直接和间接照明渲染(右)。图中显示了具有空间变化球谐函数的椭圆形照明的近似(左)。我们的方法能够检测到光源,即使它在任何视图中都没有被观察到(中间)。请注意,我们能够正确地再现尖锐的照明变化和阴影。事实上,它也更接近真实的真实世界。2453图6:反向路径跟踪能够正确检测发光物体(顶部)。地面实况渲染和我们的估计显示在底部。请注意,在优化过程中未使用此视图。图7:我们可以通过优化每个三角形的未知参数来通过进一步细分几何形状可以获得更高分辨率的匹配捕获的光方向,并且渲染结果与照片紧密匹配。图11示出了与SVSH方法的比较。真实世界物体的曲率在其表面上是不同的逆向路径跟踪是利用场景分割的知识来计算对象为了再现精细的纹理,我们改进了该方法,以便在必要时对场景的每个单独的三角形进行自适应细分。这一点在图中得到了证明。7 .第一次会议。图8:反向路径跟踪对于底层BRDF是不可知的;例如,在这里,在镜面反射的情况下,我们能够正确地估计物体的粗糙度和粗糙度。地面真实渲染和我们的估计显示在顶部,中间是反射贴图,底部是高光贴图。Optimizer消融。有几种方法可以减少优化器的方差。一种明显的方法是使用更多的样本来估计像素颜色和导数,但这也会导致迭代速度变慢。图9示出了如果仅使用单个路径,则该方法不收敛。一般的建议是使用27和210之间取决于场景的复杂性和未知数的数量我们的优化器的另一个重要方面是像素颜色和导数估计的样本分布。我们在Fig.10表明,最小方差可以通过使用一个样本来估计导数,并在可用的计算预算中使用剩余的样本来估计像素颜色来局限性。反向路径跟踪假设高质量的几何图形是可用的.然而,恢复的几何形状中的缺陷会对材料估计的质量产生很大影响,如图所示11个国家。我们的方法也不补偿捕获的输入图像中的失真然而,大多数相机会产生诸如镜头光斑、运动模糊或径向失真之类的伪影。我们的方法可以通过模拟相应的影响来潜在地解释这些缺陷,并且不仅优化了质量,2454图9:相对于用于估计像素颜色的路径数量的收敛。如果设置得太低,算法将失败。图10:关于在像素颜色和导数之间分配可用路径样本预算的收敛。对于像素颜色估计,最好保持较高的路径数,而对于导数估计,最好保持较低的路径数。方法场景1场景2场景3SVSH渲染损失我们的渲染损失0.0520.0060.0480.0100.0930.003SVSH反照率损失我们的反照率损失0.0520.0020.0370.0090.0480.010表1:合成数据的定量评价。我们测量L1损失的渲染误差和估计的参数。请注意,我们的方法在这两个指标上都实现了显著更低的误差。材料参数,但也为摄像机参数,我们留给未来的工作。6. 结论我们提出了反向路径跟踪,一种新的方法,联合照明和材料估计在3D场景。我们图11:真实场景下的评估:(右)输入是3D扫描的几何形状和照片。我们采用物体实例分割来估计场景中每个物体的辐射和平均辐射。我们的方法能够优化照明和阴影。其他方法通常不考虑遮挡,无法正确建模阴影。场景2的视图1和2示出了如果光发射器不存在于输入几何体中,则我们的方法给出了不正确的估计。证明了我们的可微蒙特卡罗渲染器可以有效地集成在一个嵌套的随机梯度下降优化。在我们的结果中,我们实现了比现有方法显著更高的准确性。材料和光照的高保真重建是虚拟现实和增强现实场景等广泛应用的重要步骤。总的来说,我们认为这是一个灵活的计算机视觉优化框架,可扩展到各种场景,噪声因素和计算机视觉管道的其他缺陷我们希望激发未来的工作沿着这些路线,例如,通过纳入更复杂的BRDF模型,联合几何细化和完成,并进一步随机正则化和方差减少技术。确认这项工作由Facebook Reality Labs资助。我们还要感谢 TUM-IASRudolfM oßbauerFello wship ( FocusGroupVisual Computing)的支持。我们还要感谢安吉拉戴的视频配音和Ab- himitra麦卡的石灰比较。2455引用[1] Jonathan T Barron和Jitendra Malik。形状、照明和着色的反射率Transactions on Pattern Anal-ysis and MachineIntelligence,37(8):1670-1687,2015。一、二[2] Harry Barrow,J Tenenbaum,A Hanson和E Riseman。重新发现场景的内在特征. Comput.目视Syst,2:3-26,1978. 2[3] Volker Blanz和Thomas Vetter。三维人脸合成的可变形模型在SIGGRAPH,第187-194页,1999中。2[4] Nicolas Bonneel , Balazs Kovacs , Sylvain Paris , andKavita Bala.用于图像编辑的内在分解。计算机图形论坛(Eurographics State of the Art Reports),36(2),2017。2[5] 布伦特白肋和沃尔特迪士尼动画工作室。迪斯尼基于物理的阴影。4[6] Angel Chang、Angela Dai、Thomas Funkhouser、MaciejHal- ber 、 Matthias Niessner 、 Manolis Savva 、 ShuranSong、Andy Zeng和Yinda Zhang。Matterport 3D:从室内环境中的RGB- D数据中学习2017年3D视觉国际会议。5[7] Chengqian Che , Fujun Luan , Shuang Zhao , KavitaBala,and Ioannis Gkioulekas.逆向运输网络。arXiv预印本arXiv:1809.10820,2018。2[8] AngelaDai , MatthiasNießner , MichaelZoll höfer ,ShahramIzadi,and Christian Theobalt.Bundlefusion:使用动态表面重新整合的实时全局一致3d重建。ACMTransactions on Graphics(TOG),36(4):76a,2017. 1[9] Paul Debevec 、 Tim Hawkins 、 Chris Tchou 、 Haarm-Pieter Duiker、Westley Sarokin和Mark Sagar。获取人脸的反射场。SIGGRAPH,第145- 156页,2000年。2[10] Valentin Deschaintre 、 Miika Aittala 、 Fredo Durand 、George Drettakis和Adrien Bousseau。使用渲染感知深度网络捕获单图像SVBRDF。ACM Trans.Graph.(Proc. SIGGRAPH),37(4):128:1-128:15,2018。2[11] Yue Dong,Guojun Chen,Pieter Peers,Jiawan Zhang,and Xin Tong.运动外观:在未知光照下恢复空间变化的表面反射率。ACM事务处理图表(Proc. SIGGRAPHAsia),33(6):193:1- 193:12,2014。2[12] Ioannis Gkioulekas,Anat Levin,and Todd Zickler. 非均匀逆散射计算成像技术的评价。欧洲计算机视觉会议,第685-701页,2016年。2[13] Ioannis Gkioulekas,Shuang Zhao,Kavita Bala,ToddZickler,and Anat Levin.使用材质字典进行逆向体绘制。ACM事务处理图表,32(6):162:1-162:13,Nov2013. 2[14] Shahram Izadi , David Kim , Otmar Hilliges , DavidMolyneaux , Richard Newcombe , Pushmeet Kohli ,Jamie Shotton,Steve Hodges,Dustin Freeman,AndrewDavison,et al.运动融合:使用移动深度照相机的实时3D重建和交互。InProceedings of the第24届ACM用户界面软件和技术年会,第559-568页。ACM,2011年。1[15] James T.卡吉亚渲染方程。SIGGRAPH计算Graph. ,20(4):143-150,Aug. 1986. 3[16] Kaizhang Kang , Zimin Chen , Jiaping Wang , KunZhou,and Hongzhi Wu.使用自动编码器进行高效的反射率捕获。ACM事务处理图表(Proc. SIGGRAPH),37(4):127:1-127:10,2018。2[17] Mike Kasper、Nima Keivan、Gabe Sibley和Christoffer R.赫 克 曼 用 解 析 路 径 追 踪 法 估 计 光 源 。 CoRR ,abs/1701.04101,2017。2[18] Hiroharu Kato 、 Yoshitaka Ushiku 和 Tatsuya Harada 。Neu- ral 3D网格渲染器。在计算机视觉和模式识别,第3907-3916页,2018年。2[19] Kihwan Kim , Jinwei Gu , Stephen Tyree , PavloMolchanov,Matthias Niessner,and Jan Kautz.用于动态反射率估计的轻量级方法,2017年10月。2[20] Diederick P Kingma和Jimmy Ba。 亚当:一种方法用于随机优化。在2015年国际学习代表会议上。5[21] 李子茂、艾塔拉、杜兰德神父、李嘉诚.通过边缘采样的可微蒙特卡罗射线追踪。ACM事务处理图表(Proc.SIGGRAPH Asia),37(6):222:1-222:11,2018.2[22] 马修·M作者声明:Michael J.黑色. OpenDR:近似可微渲染器。在European Conference on Computer Vision,第8695卷,第154 - 169页,2014年9月。2[23] R. Maier,K. Kim,D. Cremers、J. Kautz和M.尼斯纳Intrinsic3d:通过空间变化照明的联合外观和几何优化实现高质量3D重建。国际计算机视觉会议(ICCV),意大利威尼斯,2017年10月。二、五[24] 斯蒂芬·罗伯特·马施纳。计算机图形学的逆向绘制。博士论文,1998年。2[25] AbhimitraMeka、MaximMaximov、MichaelZollhoefer 、 Avishek Chatterjee 、 Hans-Peter Seidel 、Christian Richardt和Christian Theobalt。石灰:活的内在物质估计。在计算机视觉和模式识别(CVPR)会议记录中,2018年6月。一、二[26] AbhimitraMeka , MichaelZollhoefer , ChristianRichardt,and Christian Theobalt.现场固有视频。ACMTransactions on Graphics(Proceedings SIGGRAPH),35(4),2016。1[27] Richard A Newcombe、Shahram Izadi、Otmar Hilliges、David Molyneaux 、 David Kim 、 Andrew J Davison 、Pushmeet Kohi、Jamie Shotton、Steve Hodges和AndrewFitzgibbon。运动融合:实时密集表面映射和跟踪。在Mixed and augmented reality(ISMAR),2011年第10届IEEE国际研讨会上,第127-136页。IEEE,2011年。1[28] Mat thiasNießner , MichaelZoll höfer , ShahramIzadi ,andMarc Stamminger.利用体素散列法进行实时三维重建 。 ACM Transactions on Graphics ( ToG ) , 32(6):169,2013。1[29] 古 斯 塔 沃 · 帕 托 和 泽 维 尔· 普 约 逆 绘 制 问 题 综 述 。Computer Graphics Forum,22(4):663- 687,2003. 22456[30] Ravi Ramamoorthi和Pat Hanrahan。一种用于逆渲染的信号处理框架。SIGGRAPH,第117- 128页,2001年。2[31] Justus Thies , Michael Zollhofer , Marc Stamminger ,Chris- tian Theobalt,and Matthias Nießner. Face2face:实时人脸捕捉和rgb视频重现。在Proceedings of theIEEEConferenceonComputerVisionandPatternRecognition,第2387-2395页,2016中。2[32] 埃里克·维奇光传输模拟的稳健蒙特卡罗方法。博士论文,斯坦福大学,加利福尼亚州,美国,1998年AAI9837162. 3[33] ThomasWhelan 、 RenatoFSalas-Moreno 、 BenGlocker、Andrew J Davison和Stefan Leutenegger。弹性融 合 : 实 时 密 集 扫 描 和 光 源 估 计 。 TheInternationalJournal of Robotics Research,35(14):1697-1716,2016. 1[34] ChengleiWu , MichaelZollh oüfer , MatthiasNießner ,MarcStamminger,Shahram Izadi,and Christian Theobalt.用于消费者深度相机的实时基于阴影的细化。ACM Transactions on Graphics(TOG),33(6),2014。1[35] Yizhou Yu , Paul Debevec , Jitendra Malik , and TimHawkins.反向全局照明:从照片中恢复真实场景的反射率模型。在SIGGRAPH,第2152[36] 作者:Edward Zhang,Michael F.科恩和布莱恩·柯利斯 。 室 内 空 间 的 使 用 、 装 修 和 重 新 照 明 。 ACMTransactions on Graphics(Proc. SIGGRAPH Asia),35(6),2016。一、二[37] Michae lZol lh oüfer , AngelaDai , MatthiasInnmann ,ChengleiWu , Marc Stamminger , Christian Theobalt ,and Matthias Nießner.基于阴影的体积符号距离函数细化 。 ACM Transactions on Graphics ( TOG ) , 34(4),2015. 1
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 保险服务门店新年工作计划PPT.pptx
- 车辆安全工作计划PPT.pptx
- ipqc工作总结PPT.pptx
- 车间员工上半年工作总结PPT.pptx
- 保险公司员工的工作总结PPT.pptx
- 报价工作总结PPT.pptx
- 冲压车间实习工作总结PPT.pptx
- ktv周工作总结PPT.pptx
- 保育院总务工作计划PPT.pptx
- xx年度现代教育技术工作总结PPT.pptx
- 出纳的年终总结PPT.pptx
- 贝贝班班级工作计划PPT.pptx
- 变电值班员技术个人工作总结PPT.pptx
- 大学生读书活动策划书PPT.pptx
- 财务出纳月工作总结PPT.pptx
- 大学生“三支一扶”服务期满工作总结(2)PPT.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)