[发明专利]一种基于深度学习的高效全局光照明绘制方法

权利要求书

1.一种基于深度学习的高效全局光照明绘制方法，其步骤包括：

1）选取或生成若干组图像作为神经网络的输入数据集，每一组包括k张使用不同光子收集半径来进行光照明计算并渲染出的彩色效果图；对于每一组图像，将该组的k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为神经网络的输入；其中，h代表彩色效果图的高度，w代表彩色效果图的宽度；该k张彩色效果图为绘制内容相同但渲染质量不同的k张图像；

2）利用3×k×h×w的三维矩阵对该神经网络进行训练，得到神经网络模型及其各项参数；其中，所述神经网络包括第一卷积层、第一阶段stage1、第二阶段stage2、第三阶段stage3、第一反卷积层、第二反卷积层和第三反卷积层，利用3×k×h×w的三维矩阵对该神经网络进行训练的方法为：

31）利用第一卷积层对输入的训练数据进行卷积处理，抽取训练数据的低层特征；

32）利用第一阶段stage1、第二阶段stage2、第三阶段stage3依次对所述训练数据进行特征提取和压缩；

33）对第二阶段stage2压缩后的数据层进行卷积和批次归一化、对第三阶段stage3压缩后的数据层进行反卷积和批次归一化，然后对两处理结果进行特征连接；

34）对步骤33）的处理结果进行非线性激活后得到第一反卷积层；

35）对第一阶段stage1提取的特征进行卷积和批次归一化，并将所得结果与步骤34）得到的第一反卷积层进行再次反卷积和批次归一化后的结果进行特征连接；

36）对步骤35）的特征连接处理结果进行非线性激活后得到第二反卷积层；

37）对步骤36）得到的第二反卷积层依次进行反卷积、批次归一化和非线性激活后得到第三反卷积层；

38）将第三反卷积层处理得到的多维度特征通过卷积的方式融合为包含3通道的一张彩色图作为输出；

39）将输出结果与所述训练数据对应的标签图中所有像素的均方误差的和作为所述神经网络的损失函数；

3）根据当前待渲染的视点参数和三维场景，执行光子映射方法，生成k张彩色效果图并将该k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为输入数据；然后利用步骤2）训练得到的神经网络模型及其各项参数对当前输入数据进行处理，得到最终合成的渲染图像。

2.如权利要求1所述的方法，其特征在于，每个阶段stage由若干个残差结构块连接而成。

3.如权利要求1所述的方法，其特征在于，第一卷积层利用7×7卷积抽取训练数据的低层特征。

4.如权利要求3所述的方法，其特征在于，所述步骤33）中，对第二阶段stage2压缩后的训练数据进行1×1的卷积；所述步骤35）中，对第一阶段stage1提取的高层特征进行1×1的卷积。

5.如权利要求1所述的方法，其特征在于，步骤33）和步骤35）中的特征连接采用按元素操作的方法；每个数据层都包含多张尺寸相同的图像且不同数据层包含的图像数量不等，通过多张尺寸相同的图像表示该数据层的多维度特征，图像尺寸不同的层之间的数据的维度也不同。

6.如权利要求1所述的方法，其特征在于，采用不同的视点位置生成不同组图像数据。

7.如权利要求1所述的方法，其特征在于，采用不同的观察方向生成不同组图像数据。

8.如权利要求1所述的方法，其特征在于，k取值为10或者20。