基于可解释的$\eta$-VAE的测量BRDF的可分解参数化
摘要：用于测量BRDF的低维参数表示仍然具备挑战性。目前可用的解决方案要么不易解释，要么依赖于有限的分析解，要么需要昂贵的受试者基础研究。在这项工作中，我们努力建立一个参数化空间，既可以提供测量BRDF模型的数据驱动表示方差，同时又能提供参数化分析BRDF的艺术控制。我们提出了一种机器学习方法，生成一个可解释的分离参数空间。分离表示是指每个参数都负责一个独特的生成因素，并且对其他参数编码的因素不敏感。为此，我们采用了$eta$-变分自动编码器($eta$-VAE)，这是一种特定的深度神经网络(DNN)架构。在训练网络之后，我们分析参数化空间，并利用我们的视觉感知解释所学习的生成因素。需要注意的是，与大多数其他现有方法将感知分析用于解释参数化的方法不同，我们的感知分析是在系统的下游调用的。此外，我们不需要进行受试者调查。我们可解释的分离参数化的一个新特点是后处理能力，可以将新参数与已学习的参数一起结合，从而扩展可生产出的外观的丰富性。此外，我们的解决方案比流形探索更灵活和可控的材料编辑可能性。最后，我们提供了一个渲染界面，用于基于所提出的新参数化系统进行实时材料编辑和插值。
作者：Alexis Benamira, Sachin Shah, Sumanta Pattanaik
论文ID：2208.03914
分类：Graphics
分类简称：cs.GR
提交时间：2022-08-09