基于元学习的层状材质渲染方法及装置制造方法及图纸

本发明专利技术公开了一种基于元学习的层状材质渲染方法及装置，方法包括：(1)获取样本数据集，每一样本包括一层状材质参数、一入射光方向、一出射光方向和一作为标签的反射比；(2)构建反射比预测网络模型，所述反射比预测网络模型包括元网络、坐标变换模块和BSDF网络；(3)采用样本数据集对所述反射比预测网络模型进行训练；(4)将待渲染的层状材质参数输入训练好的元网络，得到自适应权重再提取训练好的BSDF网络中的共享权重共同组成权重Θ

【技术实现步骤摘要】
基于元学习的层状材质渲染方法及装置


[0001]本专利技术涉及计算机图形学
，尤其涉及一种基于元学习的层状材质渲染方法及装置。

技术介绍

[0002]真实感渲染是图形学以及游戏行业中的一个重要研究领域。现实世界中的大多数材质都是层状材质，比如带有涂层的金属、刷有清漆的木材、釉面陶瓷和金属漆等。由于层状材质表现的复杂性，对层状材质高效精确的建模方法一直以来是真实感渲染领域的极具挑战的话题。
[0003]通常层状材质模型要么依赖于逐材质的预计算，要么使用随机算法。基于预计算的模型虽然成功的描述了层状材质层间的全部的散射，但是需要对每个材质进行耗时的预计算，并且有巨大的存储开销，因而无法应用于纹理的情形。基于随机算法的模型虽然不需要耗时的预计算，但是由于在估计层间的光线散射时应用了蒙特卡洛采样，有低效率以及高方差的不足。
[0004]得益于深度神经网络的出现，基于学习的方法逐渐成为建模复杂材质时的一种选择。深度神经网络擅长从大规模的数据集中学习到鲁棒的先验知识，从而对材质的视觉表现可以达到一个前所未有的真实度。但是这些方法往往只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的层状材质渲染方法，其特征在于包括：(1)获取样本数据集，所述样本数据集中每一样本包括一层状材质参数、一入射光方向、一出射光方向和一作为标签的反射比；(2)构建反射比预测网络模型，所述反射比预测网络模型包括元网络、坐标变换模块和BSDF网络，所述元网络用于基于层状材质参数预测BSDF网络的自适应权重，所述坐标变换模块用于将入射光方向和出射光方向进行坐标变换和编码，得到光方向特征，所述BSDF网络用于基于光方向特征采用元网络预测的自适应权重和共享权重预测反射比，所述共享权重通过训练得到；(3)采用样本数据集对所述反射比预测网络模型进行训练；(4)将待渲染的层状材质参数输入训练好的元网络，得到自适应权重再提取训练好的BSDF网络中的共享权重共同组成权重Θ
F
；(5)渲染器读取权重Θ
F
，在渲染过程中根据入射光方向和出射光方向采用权重Θ
F
计算反射比，并基于反射比进行层状材质渲染。2.根据权利要求1所述的基于元学习的层状材质渲染方法，其特征在于：所述元网络具体为多层感知机网络，包括若干依次连接的全连接层。3.根据权利要求1所述的基于元学习的层状材质渲染方法，其特征在于：所述坐标变换模块包括：Rusinkiewicz坐标变换单元，用于将入射光方向和出射光方向进行Rusinkiewicz坐标变换；球谐编码器，用于将Rusinkiewicz坐标变换单元的输出进行球谐编码；笛卡尔坐标变换单元，用于将Rusinkiewicz坐标变换单元的输出进行笛卡尔坐标变换；拼接器，用于将球谐编码器和笛卡尔坐标变换单元的输出进行拼接，得到光方向特征。4.根据权利要求1所述的基于元学习的层状材质渲染方法，其特征在于：所述BSDF网络具体为多层感知机网络，包括若干依次连接的全连接层。5.根据权利要求1所述的基于元学习的层状材质渲染方法，其特征在于：所述采用样本数据集对所述反射比预测网络模型进行训练，具体包括：(3.1)第一阶段训练：将样本数据集的每一样本输入反射比预测网络模型，计算损失函数，并基于损失函数实时更新元网络的权重和BSDF网络的权重；(3.2)第二阶段训练：将样本数据集随机分成两个子集；交替选取两个子集中的样本对第一阶段训练后的反射比预测网络模型进行训练，对其中第一子集的样本计算损失函数，并基于损失函数更新BSDF网络的权重；对其中第二子集的样本计算损失函数，并基于损失函数更新元网络的权重。6.一种基于元学习...

【专利技术属性】
技术研发人员：李泽儒，过洁，郭延文，
申请(专利权)人：南京大学，
类型：发明
国别省市：