基于特征增强的光照重构方法研究.pdf

华中科技大学硕士学位论文

摘要

光照重构技术可优化三维模型的光照效果，提高三维模型的视觉表现力，降低三

维模型的制作成本，被广泛应用于虚拟现实、游戏创作及电影制作等领域。光照重构

方法主要分为三类：基于物理模型的光照重构方法、基于光流估计的光照重构方法及

基于深度学习的光照重构方法。基于物理模型的光照重构方法主要缺点为依赖高质

量的物理建模，计算复杂度高；基于光流估计的光照重构方法对输入的图像序列稳定

性要求高，计算量大，实时性差；目前，基于深度学习的光照重构方法缺乏物理模型

的支持，缺少先验知识，光照重构的精度较低，泛化能力较差。

将基于物理模型的方法与基于深度学习的方法进行融合，提出一种新的光照重

构方法RelightNet++。首先，通过解析反射方程，设计全光函数，为算法提供物理支

持。其次，在计算漫反射阶段，使用斐波那契球体算法标注模型参数，计算纹理空间

与相机空间的双向映射关系，基于层次包围盒求解光照余弦图及相机余弦图，估算平

均反照率，进而求解漫反射。再次，在计算非漫反射阶段，依据全光函数设计神经网

络结构，引入特征增强模块和注意力机制，实现非漫反射回归。最后，基于反射方程

以及双向映射函数，生成光照重构图像。

实验结果表明，提出的光照重构方法在公开数据集StanfordDragon上的感知损

失为0.043，优于同类其他方法，证明这种光照重构方法生成的照明效果质量更高，

更符合人类视觉感知。

关键词：三维渲染；光照重构；特征增强

I

华中科技大学硕士学位论文

Abstract

Thelightingreconstructiontechniquecanoptimizethelightingeffectsof3Dmodels,

improvetheirvisualexpressiveness,andreduceproductioncosts.Itiswidelyusedinfields

suchasvirtualreality,gamedevelopment,andfilmproduction.Therearethreemaintypes

oflightingreconstructionmethods:physicallybasedmethods,flow-basedmethods,and

deeplearning-basedmethods.Physicallybasedmethodsrelyonhigh-qualityphysical

modelingandhavehighcomputationalcomplexity.Flow-basedmethodsrequirestable

inputimagesequencesandhavelargecomputationalrequirementsandpoorreal-time

performance.Currently,deeplearning-basedmethodslacksupportforphysicalmodelsand

priorknowledge,resultinginloweraccuracyinlightingreconstruction.

Toaddresstheseissues,anewlightingreconstructionmethodcalledRelightNet++is

proposedbycombiningphysicallybasedanddeeplearning-basedmethods.First,the

reflectionequationisanalyzed,andafulllightfunctionisdesignedtoprovidephysical

support.Second,theFi