在未知靜態照明條件下拍攝的姿勢圖像中恢復物體材質是一項挑戰性任務。近期的研究通過神經網絡表示材料，并通過基于物理的渲染優化模型參數來解決這一問題。然而，由于物體幾何形狀、材質和環境光照之間的耦合關系，導致逆渲染過程存在固有的模糊性，因此先前的方法難以獲得準確結果。

　　為了克服這個問題，研究者提出了一種關鍵思想，即先通過生成模型學習材料，以規范優化過程。他們發現一般渲染方程可分為漫反射和鏡面反射著色項，從而將材質先驗轉化為反照率和鏡面反射的擴散模型。這種設計使得模型能夠利用豐富的3D 對象數據進行訓練，并有效解決從 RGB 圖像中恢復多種材質表示時的歧義性。

　　此外，研究團隊還開發了一種從粗到精的訓練策略，利用估計的材料指導擴散模型產生多視圖一致的約束，從而獲得更穩定和準確的結果。通過廣泛實驗驗證，他們的方法在材料回收方面取得了最先進的性能，為物體材質恢復領域帶來了新的突破。

　　產品特色功能亮點:

　　- 生成模型學習材料，規范優化過程

　　- 模型基于漫反射和鏡面反射著色項，提高準確性

　　- 采用從粗到精的訓練策略，實現穩定且準確的材質回收結果