CN113052972B - 基于神经网络的光照效果增强的方法、装置、系统和介质 - Google Patents

基于神经网络的光照效果增强的方法、装置、系统和介质 Download PDF

Info

Publication number
CN113052972B
CN113052972B CN202110384471.7A CN202110384471A CN113052972B CN 113052972 B CN113052972 B CN 113052972B CN 202110384471 A CN202110384471 A CN 202110384471A CN 113052972 B CN113052972 B CN 113052972B
Authority
CN
China
Prior art keywords
light source
illumination
rendering
enhancement
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110384471.7A
Other languages
English (en)
Other versions
CN113052972A (zh
Inventor
郑家祥
陈航
唐睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Hangzhou Qunhe Information Technology Co Ltd
Original Assignee
Zhejiang University ZJU
Hangzhou Qunhe Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Hangzhou Qunhe Information Technology Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202110384471.7A priority Critical patent/CN113052972B/zh
Publication of CN113052972A publication Critical patent/CN113052972A/zh
Application granted granted Critical
Publication of CN113052972B publication Critical patent/CN113052972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/50—Lighting effects
    • G06T15/506—Illumination models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)
  • Non-Portable Lighting Devices Or Systems Thereof (AREA)

Abstract

本发明公开了一种基于神经网络的灯光光照效果增强的方法，装置、系统和存储介质，包括：步骤1，在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；步骤2，利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强和光照风格转移，获得光照增强图；步骤3，以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。该方法能够在得到增强后的具体灯光发光参数，可以绘制出具有特定光照风格的高质量效果图。

Description

基于神经网络的光照效果增强的方法、装置、系统和介质
技术领域
本发明属于室内场景辅助设计领域，尤其设计一种基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质。
背景技术
在室内设计领域，尤其是室内灯光的设计领域，一个自动的光照效果增强方法有着十分重要的意义。灯光是室内设计中不可缺少的元素，它负责照亮整个室内环境，给人们提供一个舒适的生活和工作环境。与此同时，灯光往往是设计师表达设计想法的重要元素，它能够强调重点的区域，为整个室内设计提供氛围感。在完成基本照明任务的同时，一个好的灯光设计同时需要有美学上的考量，使整个室内环境更加的舒适美观。而对室内场景的灯光的美学考量需要专业丰富的设计经验，缺乏经验的用户难以将所有灯光的发光都调节到统一美观的风格。即使是在目前最专业的灯光设计软件中，对于灯光的设计也需要不停的修改与迭代，这是一个费时费力的过程。
近些年来，随着深度学习技术的广泛使用，出现了许多对图像进行风格迁移和效果增强的工作。与此同时，人们也提出一些图像风格调节与增强的数据集。利用这些数据集，一些工作使用神经网络直接学习不同风格图像之间的映射关系，如公告号为CN112288621A的专利申请公开的一种基于神经网络的图像风格迁移方法及系统。近些年随着生成对抗网络的重要进展，许多图像效果增强的相关任务都开始使用基于生成对抗网络的方案，如公告号为CN112204620A的专利申请公开了一种使用生成式对抗网络的图像增强。尤其是在具有成对数据集下的Pix2pix框架和不成对的数据集下的CycleGAN框架，成为了许多图像翻译任务的基础，而图像的风格迁移和增强也可以看作是图像翻译任务中的一类。虽然这些方法能够较好的在图像上进行效果的增强，对于期望的三维场景中的灯光参数来说，并不能直接使用上述网络进行预测，需要一个针对室内灯光设计的自动光照效果增强方法。
发明内容
鉴于上述，本发明的目的是提供一种基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质，能够有效的学习出给定图像数据集中的光照风格，并将其应用到需要进行设计的三维场景中。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种基于神经网络的灯光光照效果增强的方法，包括以下步骤：
步骤1，在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；
步骤2，利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强，获得光照增强图；
步骤3，以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
第二方面，一种基于神经网络的灯光光照效果增强的装置，包括：
渲染模块，用于在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；
增强模块，用于利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强，获得光照增强图；
优化模块，用于以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
第三方面，一种基于神经网络的灯光光照效果增强的系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于神经网络的灯光光照效果增强的方法。
第四方面，一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现上述基于神经网络的灯光光照效果增强的方法步骤。
与现有技术相比，具有的有益效果至少包括：
本发明提供的基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质，通过光照增强模型对整体渲染图进行光照增强获得特定风格的光照增强图后，基于单光源渲染图和光照增强图构建优化目标，通过优化求解获得每个光源的光强和颜色，该光源参数优化过程避免了光照增强模型预测的光照增强图产生的瑕疵，这样基于获得的每个光源的光强和颜色对进行渲染，能够获得基于物理且增强了灯光光照效果的绘制效果图。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是实施例提供的基于神经网络的灯光光照效果增强的方法的流程图；
图2是实施例提供的基于神经网络的灯光光照效果增强的装置的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了能够实现对室内灯光光照效果的增强，实施例提供了一种基于神经网络的灯光光照效果增强的方法、装置、系统和存储介质，通过能够有效地学习出给定图像数据集中的光照风格，并将其应用到需要进行设计的三维场景中，即能够在新的室内场景中自动的进行灯光光照效果的增强，得到增强后的具体灯光发光参数，可以绘制出具有特定光照风格的高质量效果图。
图1是实施例提供的基于神经网络的灯光光照效果增强的方法的流程图。如图1所示，实施例提供的基于神经网络的灯光光照效果增强的方法，包括以下步骤：
步骤1，在给定视角下对三维场景进行绘制在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图。
实施例中，先是对三维场景进行给定视角的单光源单位光强发光渲染，得到多张单光源渲染图，还对三维场景进行给定视角下全部光源同时发光时绘制的整体渲染图。
为了增强绘制效果，实施例中，采用基于路径追踪算法的渲染器在给定视角下对三维场景进行单光源和整体光源绘制，得到多张单光源渲染图和整体渲染图。这样能够完整的考虑光传输过程，使得获得的单光源渲染图和整体渲染图为具有高真实感的绘制结果，且每个灯光单独发光的渲染图在一次绘制过程中即可得到所有，快速可靠。
步骤2，利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强和光照风格转移，获得光照增强图。
实施例中，基于CycleGAN构建的光照增强模型用于输入图像的光照增强和光照风格转移，即将三维场景中的绘制效果向真实照片中的室内光照效果进行迁移。光照增强模型在被应用前，需要利用包含渲染图和真实光照图的样本图像对光照增强模型进行训练。
具体地，训练用的数据集分为两个部分，其中一部分图像是三维场景直接绘制得到的渲染图，另一部分图像是从互联网上收集到的具有良好光照的室内场景的真实照片图。利用该数据集对CycleGAN进行训练，让 CycleGAN学习得到从渲染图的光照风格到真实照片的光照风格的迁移映射，这样得到的光照增强模型对整体渲染图进行光照增强和光照风格转移，获得光照增强图。
步骤3，以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
彩色图像是由RGB三个通道组成的，具体实现时，为每张单光源渲染图设置3个对应R、G、B三通道的权重系数，构建使所有单光源渲染图的加权线性叠加后再经过色调映射的效果图尽可能接近光照增强图的优化目标，在对优化目标进行求解后，根据求得的权重系数计算每个光源的光强和颜色。
在获得光照增强图之后，将光照增强图作为优化目标图像，并且将光照增强图认为是所有单光源渲染图通过光强和颜色加权线性叠加和色调映射的结果。基于此，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，由于单光源渲染图的加权叠加是高动态范围(HDR)的图，而获得的光照增强图为低动态范围 (LDR)的图，需要进行色调映射，对于光强和颜色的求解不能直接看作一个线性优化问题。因此，对优化目标求解时，以所有单光源渲染图的颜色和光强作为初始值，采用梯度下降优化方法对优化目标求解，以获得每个光源的光强和颜色。具体地，可以使用Adam优化器，将原有的光强和颜色作为初始值，在约30次迭代后优化过程基本收敛，经过优化求解，能够得到了每个灯光最终的光强与颜色。
在需要保证多个视角下都具有良好光照效果的情况，可以在多个视角下同时进行光强和颜色的优化求解。即上述基于神经网络的灯光光照效果增强的方法，还用于多视角的灯光光强颜色的设计，即对于每个固定视角，均执行步骤1，得到多视角的所有单光源渲染图和整体渲染图后，执行步骤2，得到多视角对应的光照增强图，然后以多视角的所有单光源渲染图和多视角对应的光照增强图作为数据源，执行步骤3，得到每个光源的光强和颜色。这样可以基于该光源的光强和颜色合成基于物理的多视角高质量绘制效果图。
上述基于神经网络的灯光光照效果增强的方法，利用神经网络进行图像预测的能力来得到具有特定风格的光照增强图，同时光源参数的优化过程避免了神经网络预测的图像中产生的瑕疵，最终可以得到基于物理且增强了灯光光照效果的绘制效果图。
图2是实施例提供的基于神经网络的灯光光照效果增强的装置的结构示意图。如图2所示，实施例提供的灯光光照效果增强的装置200，包括：
渲染模块210，用于在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；
增强模块220，用于利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强，获得光照增强图；
优化模块230，用于以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
需要说明的是，实施例提供的基于神经网络的灯光光照效果增强的装置在进行光照效果增强时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，实施例提供的基于神经网络的灯光光照效果增强的装置与基于神经网络的灯光光照效果增强的方法实施例属于同一构思，其具体实现过程详见基于神经网络的灯光光照效果增强的方法实施例，这里不再赘述。
实施例还提供了一种基于神经网络的灯光光照效果增强的系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于神经网络的灯光光照效果增强的方法。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现上述基于神经网络的灯光光照效果增强的方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于神经网络的灯光光照效果增强的方法，其特征在于，包括以下步骤：
步骤1，在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；
步骤2，利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强和光照风格转移，获得光照增强图；
步骤3，以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
2.如权利要求1所述的基于神经网络的灯光光照效果增强的方法，其特征在于，采用基于路径追踪算法的渲染器在给定视角下对三维场景进行单光源和整体光源绘制，得到多张单光源渲染图和整体渲染图。
3.如权利要求1所述的基于神经网络的灯光光照效果增强的方法，其特征在于，所述光照增强模型在被应用前，需要利用包含渲染图和真实光照图的样本图像对光照增强模型进行训练，以渲染图作为输入，以真实光照图作为输出，优化光照增强模型的网络参数。
4.如权利要求1所述的基于神经网络的灯光光照效果增强的方法，其特征在于，为每张单光源渲染图设置3个对应R、G、B三通道的权重系数，构建使所有单光源渲染图的加权线性叠加后再经过色调映射的效果图尽可能接近光照增强图的优化目标，在对优化目标进行求解后，根据求得的权重系数计算每个光源的光强和颜色。
5.如权利要求1所述的基于神经网络的灯光光照效果增强的方法，其特征在于，对优化目标求解时，以所有单光源渲染图的颜色和光强作为初始值，采用梯度下降优化方法对优化目标求解，以获得每个光源的光强和颜色。
6.如权利要求1所述的基于神经网络的灯光光照效果增强的方法，其特征在于，还用于多视角的光照效果增强，即对于每个固定视角，均执行步骤1，得到多视角的所有单光源渲染图和整体渲染图后，执行步骤2，得到多视角对应的光照增强图，然后以多视角的所有单光源渲染图和多视角对应的光照增强图作为数据源，执行步骤3，得到每个光源的光强和颜色。
7.一种基于神经网络的灯光光照效果增强的装置，其特征在于，包括：
渲染模块，用于在给定视角下对三维场景进行绘制，得到每个光源在单位光强单独发光情况下的多张单光源渲染图和所有光源整体发光情况下的整体渲染图；
增强模块，用于利用基于CycleGAN构建的光照增强模型对整体渲染图进行光照增强，获得光照增强图；
优化模块，用于以光强和颜色看作权重，构建以使所有单光源渲染图的加权线性叠加后经过色调映射的效果图尽可能接近光照增强图的优化目标，并对优化目标进行求解，以获得每个光源的光强和颜色。
8.一种基于神经网络的灯光光照效果增强的系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～6任一项所述的基于神经网络的灯光光照效果增强的方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现权利要求1～6任一项所述的基于神经网络的灯光光照效果增强的方法步骤。
CN202110384471.7A 2021-04-09 2021-04-09 基于神经网络的光照效果增强的方法、装置、系统和介质 Active CN113052972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384471.7A CN113052972B (zh) 2021-04-09 2021-04-09 基于神经网络的光照效果增强的方法、装置、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384471.7A CN113052972B (zh) 2021-04-09 2021-04-09 基于神经网络的光照效果增强的方法、装置、系统和介质

Publications (2)

Publication Number Publication Date
CN113052972A CN113052972A (zh) 2021-06-29
CN113052972B true CN113052972B (zh) 2022-08-23

Family

ID=76518945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384471.7A Active CN113052972B (zh) 2021-04-09 2021-04-09 基于神经网络的光照效果增强的方法、装置、系统和介质

Country Status (1)

Country Link
CN (1) CN113052972B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117615484B (zh) * 2024-01-24 2024-05-03 金品计算机科技(天津)有限公司 一种基于ai的视觉检测光源控制方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751098A (zh) * 2019-10-22 2020-02-04 中山大学 一种基于光照、姿态生成对抗网络的人脸识别方法
CN110852965A (zh) * 2019-10-31 2020-02-28 湖北大学 一种基于生成对抗网络的视频光照增强方法及系统
CN111064904A (zh) * 2019-12-26 2020-04-24 深圳深知未来智能有限公司 一种暗光图像增强方法
CN111444929A (zh) * 2020-04-01 2020-07-24 北京信息科技大学 一种基于模糊神经网络的显著图计算方法及系统
CN111696188A (zh) * 2020-04-26 2020-09-22 杭州群核信息技术有限公司 渲染图快速光照编辑方法和装置、渲染方法
GB202012490D0 (en) * 2020-08-11 2020-09-23 Toshiba Kk A Computer Vision Method and System
CN112183637A (zh) * 2020-09-29 2021-01-05 中科方寸知微(南京)科技有限公司 一种基于神经网络的单光源场景光照重渲染方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10475169B2 (en) * 2017-11-28 2019-11-12 Adobe Inc. High dynamic range illumination estimation
US20200380652A1 (en) * 2019-05-30 2020-12-03 Signify Holding B.V. Automated generation of synthetic lighting scene images using generative adversarial networks
US11222418B2 (en) * 2019-07-25 2022-01-11 Palo Alto Research Center Incorporated System and method for automated surface assessment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751098A (zh) * 2019-10-22 2020-02-04 中山大学 一种基于光照、姿态生成对抗网络的人脸识别方法
CN110852965A (zh) * 2019-10-31 2020-02-28 湖北大学 一种基于生成对抗网络的视频光照增强方法及系统
CN111064904A (zh) * 2019-12-26 2020-04-24 深圳深知未来智能有限公司 一种暗光图像增强方法
CN111444929A (zh) * 2020-04-01 2020-07-24 北京信息科技大学 一种基于模糊神经网络的显著图计算方法及系统
CN111696188A (zh) * 2020-04-26 2020-09-22 杭州群核信息技术有限公司 渲染图快速光照编辑方法和装置、渲染方法
GB202012490D0 (en) * 2020-08-11 2020-09-23 Toshiba Kk A Computer Vision Method and System
CN112183637A (zh) * 2020-09-29 2021-01-05 中科方寸知微(南京)科技有限公司 一种基于神经网络的单光源场景光照重渲染方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Retinex Decomposition for Low-Light Enhancement;Chen Wei,etc.;《arXiv:1808.04560v1 [cs.CV]》;20180814;第1-12页 *
EnlightenGAN: Deep Light Enhancement without Paired Supervision;Yifan Jiang, etc.;《JOURNAL OF LATEX CLASS FILES》;20210124;第1-10页 *

Also Published As

Publication number Publication date
CN113052972A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN108875935B (zh) 基于生成对抗网络的自然图像目标材质视觉特征映射方法
Pirk et al. Plastic trees: interactive self-adapting botanical tree models
CN112614077B (zh) 一种基于生成对抗网络的非监督低照度图像增强方法
CN111723902A (zh) 使用神经网络动态估计增强现实场景中位置的照明参数
JP2020187727A (ja) 線画の生成
CN111696188B (zh) 渲染图快速光照编辑方法和装置、渲染方法
US11663467B2 (en) Methods and systems for geometry-aware image contrast adjustments via image-based ambient occlusion estimation
CN108335345A (zh) 面部动画模型的控制方法及装置、计算设备
CN111104704B (zh) 柜体内部布局设计方法、装置、系统以及存储介质
JP2001509620A (ja) コンピュータ・グラフィックス・システム
CN109544662A (zh) 一种基于SRUnet的动漫风格线稿上色方法及系统
CN110766799B (zh) 虚拟对象的毛发处理方法及装置、电子设备、存储介质
CN113052972B (zh) 基于神经网络的光照效果增强的方法、装置、系统和介质
CN113822981B (zh) 一种图像渲染方法、装置、电子设备及存储介质
Chen et al. Scenetex: High-quality texture synthesis for indoor scenes via diffusion priors
CN113254568B (zh) 一种与地图服务结合的实时分析处理方法、装置及介质
CN111460554B (zh) 一种基于最大光照熵的室内自动布光方法及系统
CN113052970A (zh) 一种基于神经网络的灯光光强颜色的设计方法、装置、系统及存储介质
JPWO2019226366A5 (zh)
CN117101127A (zh) 虚拟场景中的图像渲染方法、装置、电子设备及存储介质
CN116958396A (zh) 图像重光照方法、装置及可读存储介质
CN116485994A (zh) 基于神经隐式表达的场景逆向绘制方法和装置
CN113592971A (zh) 一种虚拟人体图像生成方法、系统、设备及介质
Kosugi et al. Crowd-powered photo enhancement featuring an active learning based local filter
CN117315124A (zh) 图像处理方法、装置、电子设备、介质及程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant