[发明专利]基于深度学习的微表面材质重建方法及系统

权利要求书

1.基于深度学习的微表面材质重建方法，其特征是，包括：

获取真实世界材质的拍摄图像；

将材质的拍摄图像输入到训练后的材质重建与合成的网络框架中，材质重建与合成的网络框架中的生成器网络输出漫反射贴图、反射贴图、粗糙度贴图和法向贴图；

将漫反射贴图、反射贴图、粗糙度贴图和法向贴图绘制出一张渲染图像。

2.如权利要求1所述的方法，其特征是，在获取真实世界材质的拍摄图像之后，在将材质的拍摄图像输入到预训练生成器网络中步骤之前，还包括：对真实世界材质的拍摄图像进行伽马矫正和随机裁切。

3.如权利要求1所述的方法，其特征是，所述材质重建与合成的网络框架，具体结构包括：

依次连接的生成器网络模块、绘制模块和判别器网络模块。

4.如权利要求3所述的方法，其特征是，所述生成器网络模块，包括编码器和解码器；其中，编码器包括：

依次连接的第一卷积层、第一实例归一化层、第一线性整流单元、第二卷积层、第二实例归一化层、第二线性整流单元、第三卷积层、第三实例归一化层、第三线性整流单元、第四卷积层、第四实例归一化层、第四线性整流单元；

其中，第一卷积层，用于提取图像的初级特征张量；

第一实例归一化层，用于接收第一卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第一线性整流单元，用于映射第一实例归一化层的输出，得到非线性输出结果；

第二卷积层，用于接收第一线性整流单元的输出，进一步提取特征张量；

第二实例归一化层，用于接收第二卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第二线性整流单元，用于映射第二实例归一化层的输出，得到非线性输出结果；

第三卷积层，用于接收第二线性整流单元的输出，进一步提取特征张量；

第三实例归一化层，用于接收第三卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第三线性整流单元，用于映射第三实例归一化层的输出，得到非线性输出结果；

第四卷积层，用于接收第三线性整流单元的输出，进一步提取特征张量；

第四实例归一化层，用于接收第四卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第四线性整流单元，用于映射第四实例归一化层的输出，得到非线性输出结果。

5.如权利要求4所述的方法，其特征是，其中，解码器包括第一解码单元和第二解码单元：第一解码单元包括：

依次连接的第一反卷积层、第五实例归一化层、第五线性整流单元、第二反卷积层、第六实例归一化层、第六线性整流单元、第三反卷积层、第七实例归一化层、第七线性整流单元、第四反卷积层、第八实例归一化层、第八线性整流单元、第五反卷积层、第九线性整流单元；

其中，第一反卷积层，用于扩张特征张量维度；

第五实例归一化层，用于接收第一反卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第五线性整流单元，用于映射第五实例归一化层的输出，得到非线性输出结果；

第二反卷积层，用于接收第五线性整流单元的输出，进一步扩张特征张量维度；

第六实例归一化层，用于接收第二反卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第六线性整流单元，用于映射第六实例归一化层的输出，得到非线性输出结果；

第三反卷积层，用于接收第六线性整流单元的输出，进一步扩张特征张量维度；

第七实例归一化层，用于接收第三反卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第七线性整流单元，用于映射第七实例归一化层的输出，得到非线性输出结果；

第四反卷积层，用于接收第七线性整流单元的输出，进一步扩张特征张量维度；

第八实例归一化层，用于接收第四反卷积层的输出，并进行标准化处理，使得网络的中间输出值更稳定；

第八线性整流单元，用于映射第八实例归一化层的输出，得到非线性输出结果；

第五反卷积层，用于接收第八线性整流单元的输出，进一步扩张特征张量维度；

第九线性整流单元，用于映射第五反卷积层的输出，得到非线性输出结果。