[发明专利]一种基于深度学习的工业品外观材质高保真实时仿真算法

权利要求书

1.一种基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，包括：

步骤1，采集工业品外观材质的光照属性数据，并依据光照属性数据构建工业品仿真模型；

步骤2，在虚拟空间中利用真实环境的光照信息照亮所述工业品仿真模型，在虚拟空间中随机选取若干视点位置，针对每个视点位置分别绘制完善图像和不完善图像，将相同视点的完善图像和不完善图像作为一对输入，训练对抗生成网络模型的判别器，得到训练好的对抗生成网络模型；

步骤3，在实时仿真过程中，基于所述工业品仿真模型计算部分像素的颜色，然后利用训练好的对抗生成网络模型生成最终图像。

2.如权利要求1所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤1中，将光照属性数据转化为基于空间向量的参数化表示，并在基于空间向量的参数化坐标系中构建所述工业品仿真模型。

3.如权利要求1所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤1中，工业品外观材质的光照属性数据划分为漫反射部分、半镜面高光部分和镜面高光部分，各部分采用不同采集方法。

4.如权利要求1所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤2中，视点位置的数量为1万～10万个。

5.如权利要求1所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤2中，将真实环境的光照信息离散化后照亮所述工业品仿真模型。

6.如权利要求5所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤2中，通过调整真实环境光照信息中，离散化环境光的个数、环境光中镜面高光的采样数量、反走样像素的数量、以及绘制像素的个数，相应生成完善图像和不完善图像，其中不完善图像绘制像素的个数为完善图像的50％～70％。

7.如权利要求1所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤3中，在实时仿真过程中，对高动态的环境光进行离散化，然后随机选择方向决定照射工业品仿真模型的环境光强度。

8.如权利要求7所述的基于深度学习的工业品外观材质高保真实时仿真算法，其特征在于，步骤3，在实时仿真过程中，首先，基于所述工业品仿真模型生成不完善图像；然后，将不完善图像中的已有像素作为约束补全未计算的图像像素，生成完整图像；最后，在完整图像基础上，利用训练好的对抗生成网络模型生成最终图像。