| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 高维表观及物体几何 | 第15-19页 |
| 1.1.1 空间双向反射分布函数 | 第16-17页 |
| 1.1.2 三维体素分布 | 第17-18页 |
| 1.1.3 表面微几何 | 第18-19页 |
| 1.2 低维图片观测 | 第19页 |
| 1.3 渲染变换 | 第19-20页 |
| 1.4 表观及几何建模 | 第20-22页 |
| 1.5 本文的主要内容及组织 | 第22-25页 |
| 1.5.1 主要研究内容 | 第22页 |
| 1.5.2 本文概览 | 第22-25页 |
| 第2章 相关工作 | 第25-37页 |
| 2.1 表观建模 | 第25-31页 |
| 2.1.1 SVBRDF的数学模型 | 第25-28页 |
| 2.1.2 基于直接观测高维样本的表观建模 | 第28-30页 |
| 2.1.3 基于图片观测的表观建模 | 第30-31页 |
| 2.2 几何建模 | 第31-34页 |
| 2.2.1 基于主动传感的几何建模 | 第31-32页 |
| 2.2.2 基于图片的几何建模 | 第32-34页 |
| 2.2.3 交互式几何建模 | 第34页 |
| 2.3 表观及几何联合建模 | 第34-37页 |
| 第3章 基于自适应光照的表观及微几何重建 | 第37-59页 |
| 3.1 系统概述 | 第38-42页 |
| 3.1.1 设备搭建 | 第39-41页 |
| 3.1.2 采集流程 | 第41页 |
| 3.1.3 SVBRDF重建 | 第41-42页 |
| 3.2 表观聚类 | 第42-43页 |
| 3.3 自适应光照模式设计 | 第43-49页 |
| 3.3.1 单一材质的最优光照 | 第43-46页 |
| 3.3.2 分片材质的光照模式优化 | 第46-49页 |
| 3.4 表观重建算法 | 第49-52页 |
| 3.5 实验结果 | 第52-55页 |
| 3.6 讨论与小结 | 第55-59页 |
| 第4章 基于自增强神经网络的表观及微几何估计 | 第59-81页 |
| 4.1 表观及微几何估计神经网络 | 第61-63页 |
| 4.1.1 简化的表观及微几何模型 | 第61页 |
| 4.1.2 卷积神经网络结构 | 第61-63页 |
| 4.2 自增强训练机制 | 第63-67页 |
| 4.2.1 自增强训练的核心思想 | 第63-66页 |
| 4.2.2 自增强训练的实现 | 第66-67页 |
| 4.3 实验结果 | 第67-71页 |
| 4.3.1 网络训练参数总结 | 第67页 |
| 4.3.2 训练数据收集和预处理 | 第67-68页 |
| 4.3.3 表观及微几何估计结果 | 第68-71页 |
| 4.4 自增强训练机制的进一步分析 | 第71-78页 |
| 4.4.1 在简化空间上的验证分析 | 第72-76页 |
| 4.4.2 自增强神经网络的隐含假设分析 | 第76-77页 |
| 4.4.3 自增强神经网络与其他深度学习方法的关联 | 第77页 |
| 4.4.4 自增强神经网络的局限性 | 第77-78页 |
| 4.5 小结 | 第78-81页 |
| 第5章 基于多投影生成对抗网络的几何及表观生成 | 第81-107页 |
| 5.1 多投影生成对抗网络概述 | 第83-87页 |
| 5.1.1 生成对抗网络 | 第83-84页 |
| 5.1.2 多投影生成对抗网络 | 第84-87页 |
| 5.2 基于多投影生成对抗网络生成几何 | 第87-96页 |
| 5.2.1 视角估计及聚类 | 第88-90页 |
| 5.2.2 几何生成式模型的实验结果 | 第90-96页 |
| 5.3 基于多投影生成对抗网络生成表观 | 第96-105页 |
| 5.3.1 投影模块 | 第98-102页 |
| 5.3.2 表观生成式模型的实验结果 | 第102-105页 |
| 5.4 讨论与小结 | 第105-107页 |
| 第6章 总结与展望 | 第107-111页 |
| 参考文献 | 第111-119页 |
| 致谢 | 第119-121页 |
| 在读期间发表的学术论文与取得的研究成果 | 第121页 |