Modelování obousměrných distribučních funkcí odrazivosti pomocí neuronových sítí

Abstract

V této diplomové práci se zabývám modelováním obousměrných distribučních funkcí odrazivosti pomocí neuronových sítí. Cílem je navrhnout a implementovat neuronové sítě, které dokážou efektivně aproximovat BRDF materiálů a reprezentovat určitý BRDF model. Pro dosažení tohoto cíle jsem navrhl a testoval různé architektury neuronových sítí pro reprezentaci testovacích BRDF modelů. Byly popsány problémy, se kterými se člověk může setkat při návrhu a tréninku těchto sítí. Výsledky jsem následně porovnal oproti jejich analytickém protějšku, porovnal rychlosti vyrenderování a ověřil jejich správnost pomocí furnace testu. Dosažené výsledky ukazují, že navržené neuronové sítě dosahují velmi dobré úrovně přesnosti při renderování, a to potvrzuje jejich potenciál pro popis odrazivých vlastností materiálů pro účely syntézy fotorealistických obrazů.

In this thesis, I explore the modeling of bidirectional reflectance distribution functions using neural networks. The aim is to design and implement neural networks that can efficiently approximate the BRDF of materials and represent a certain BRDF model. To achieve this goal, I have designed and tested various neural network architectures for representing test BRDF models. Issues one might encounter in the design and training of these networks have been discussed. I then compared the results with their analytical counterparts, compared rendering speeds, and validated their accuracy using the furnace test. The achieved results show that the proposed neural networks achieve a very high level of accuracy in rendering, confirming their potential for describing the reflective properties of materials for the purposes of synthesizing photorealistic images.