Rendering-gestu¨tztes deep learning zur rekonstruktionphysikalisch-konformer szenen
Fiziksel gerceklige sahip senaryolarin yeniden olusturulmasi icin rendering destekli derin öğrenme
- Tez No: 771755
- Danışmanlar: DR. FRANK WEİCHERT, PROF. DR. HEİNRİCH MÜLLER
- Tez Türü: Yüksek Lisans
- Konular: Bilgi ve Belge Yönetimi, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Information and Records Management, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Technısche Unıversıtat Dortmund
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sanal içeriğin, gerçek çevreler ile birleşimi sayısız kullanım senaryoları sağlamakta. Gerçek ve sanal objelerin arasında ışığın gerçeğe uygun etkileşimini simüle etmek için, bütün objelerin ışığın iki yönlü yansıtma dağılımı fonksiyonu (bidirectional reflectance distribution function, BRDF) uygulanması gerekmektedir. Sanal objelerin BRDF'i kolay bir şekilde hesaplanabilirken, gerçek objelerin BRDF'ini elde etmek daha zordur. Bu çalışma üç boyutlu sahnelerinin BRDF'lerini edinmek için bir rendering temelinde derin öğrenme yaklaşımını sunuyor. Bunun için türevlenebilir rendering katmanlarından faydalanabilen bir üç boyutlu rendering loss hazırladık. Bu rendering loss'u, sanal 3B sahnelerin piksel bazında BRDF'sini tahmin eden bir evrişimsel sinir ağı (CNN) eğitmek için kullanıyoruz.
Özet (Çeviri)
The combination of virtual content with real environments enables a seemingly infinite number of applications. To simulate the realistic interaction of light between real and virtual objects, the bidirectional reflectance distribution function (BRDF) of all objects involved is required. While the BRDF of virtual objects can be chosen freely, obtaining the BRDF of real objects poses a challange. This work presents a rendering-based deep learning approach for acquiring BRDFs of 3D scenes. For this, we formulate a 3D rendering loss that makes use of differentiable rendering layers. We utilize this rendering loss to train a convolutional neural network (CNN) to predict the pixelwise BRDF of synthetic 3D scenes.
Benzer Tezler
- Rendering optical and structural properties of semiconductor nanocrystals by chemical doping
Yarı iletken nanokristallerin optik ve yapısal özelliklerinin kimyasal katkılandırmayla düzenlenmesi
SEÇİL SEVİM
- Rendering artık yağlarından emülgatör üretimi ve model gıdalarda arayüzey (interfacial) reolojik uygulamaları
Production of emulsifier from rendering waste oil and application interfacial rheological properties in model food
MERYEM GÖKSEL SARAÇ
- Rendering culture-specific items in subtitle translation: A case study of“Dairy Philosopher: İstanbul”
Altyazı çevirisinde kültürel ifadelerin aktarımı:“Mandıra Filozofu: İstanbul”filmi üzerinde bir vaka incelemesi
CANER KUZGUN
- Rendering tesisinde kullanılan kestirimci bakım yöntemleri ve uygulamaları
Predective maintenance methods used in rendering plant and applications
AHMET EVREN GÜCEK
- Rendering three-dimensional scenes with tetrahedral meshes
Üç boyutlu sahnelerin dörtyüzlü örgüler ile görselleştirilmesi
AYTEK AMAN
Doktora
İngilizce
2022
İhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
