项目名称: 海量数据驱动的高维材质外观建模方法

项目编号: No.61303135

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 吴鸿智

作者单位: 浙江大学

项目金额: 22万元

中文摘要: 高维材质外观是计算机图形学领域近年来一个重要的研究方向。它从本质上刻画了光与材料之间的交互作用,因此越来越多地被运用到真实感绘制中,给电影和游戏中的物体赋予了逼真的材质效果。然而目前对真实世界材料的外观进行数字化建模是一件十分耗时耗力的任务,面向普通用户的低成本快速高维材质外观建模仍然是一个有待探索的领域。受互联网上相关海量数据不断快速增长的启发,本项目以构建一个海量数据驱动的、包含常用自然和人造材料的大规模高维材质外观数据库为目标,拟对互联网上材质外观相关数据的高效采集处理、基于海量图片的高维材质外观建模方法、真实材料外观空间的理论分析和大规模材质外观数据库的相关应用这几个关键科学问题开展研究,并提出海量数据驱动的基于最大后验概率估计的高维材质建模核心算法。本项目拟根本上解决阻碍真实材质外观实用化的障碍,将有力推进高维材质外观在工业界中的大规模应用。

中文关键词: 外观建模;双向反射分布函数;数字材质外观;;

英文摘要: High-dimensional material appearance is an important research topic in computer graphics in recent years. Material appearance fundamentally characterizes light / material interactions. Thus, high-dimensional material appearance is more and more widely used in photorealistic rendering, in order to add realism to objects/characters in feature films and computer games. However, it is tedious and costly to model material appearance from the real world, even with the help of state-of-the-art techniques. Therefore, more effort is needed in this area to provide average users with low-cost, rapid high-dimensional material appearance modeling techniques. Inspired by the fast-growing visual data on the Internet, we would like to build a large-scale, high-dimensional material appearance database, which includes a wide variety of both natural and man-made materials. We will focus on the following key research problems, including efficient collection and preprocessing of visual data on the Internet, high-dimensional material appearance modeling method from a large number of tagged photographs, theoretical analysis of real material appearance space and related applications for the large-scale material appearance database. We propose a novel large-data-driven, max-a-posteriori-based high-dimensional material appearace modeling

英文关键词: appearance modeling;BRDF;digital material appearance;;

成为VIP会员查看完整内容
0

相关内容

面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
68+阅读 · 2021年10月6日
专知会员服务
42+阅读 · 2021年9月7日
专知会员服务
48+阅读 · 2021年8月4日
专知会员服务
66+阅读 · 2021年5月21日
专知会员服务
121+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
45+阅读 · 2020年11月13日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
【数字孪生】从CAD数据到数字孪生
产业智能官
22+阅读 · 2019年11月11日
【机器视觉】计算机视觉前沿技术探索
产业智能官
11+阅读 · 2018年12月25日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
Arxiv
20+阅读 · 2021年9月21日
Arxiv
14+阅读 · 2021年3月10日
Arxiv
13+阅读 · 2019年1月26日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
小贴士
相关VIP内容
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
68+阅读 · 2021年10月6日
专知会员服务
42+阅读 · 2021年9月7日
专知会员服务
48+阅读 · 2021年8月4日
专知会员服务
66+阅读 · 2021年5月21日
专知会员服务
121+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
45+阅读 · 2020年11月13日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
相关资讯
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
【数字孪生】从CAD数据到数字孪生
产业智能官
22+阅读 · 2019年11月11日
【机器视觉】计算机视觉前沿技术探索
产业智能官
11+阅读 · 2018年12月25日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员