文献名:
Peiran Ren, Yue Dong, Stephen Lin, Xin Tong, and Baining Guo. 2015. Image based relighting using neural networks. ACM Trans. Graph. 34, 4, Article 111 (August 2015), 12 pages.
主要创新思想
核心是提出的神经网络设计,其中包含各种元素,这些元素有助于对来自小型图像集的光传输进行建模。与大多数基于图像的补光技术相比,这种基于回归的方法允许在任意照明条件下捕获输入图像,包括用手自由移动的光源。使用包含复杂照明效果的真实场景的光传输数据验证了方法,并证明与相关技术相比,所需的输入图像更少。
主要原理剖析及说明
利用了光传输中的数据一致性,但认为相干性既是非线性的又是局部的,非线性建模的更大灵活性允许更少的图像用于重建矩阵之间的高频变化元素。 此外,通过局部建模运输空间具有更高的连贯性,可以获得可以用更少的图像重建的更有效的表示。通过神经网络的建议设计和使用,该方法利用光传输的非线性和局部相干性从一小组图像重建。 而且,它可以使用以自由移动的光源作为输入照明的场景图像,从而简化了图像获取。
光传输矩阵代表每个光源到达每个光源的辐射比例图像像素。 给定真实世界的场景,我们对光传输进行建模矩阵作为连续光传输函数的离散样本。
我们用多层非循环前馈神经网络来近似光传输函数。 作为通用函数逼近器,神经网络可以拟合给定足够的网络规模,任意精度的任何功能和训练数据。多层无环前馈神经网络可以表示为加权和有向的带有节点层的图形。 第一层是输入层,由代表输入向量(p&#x