Métodos de aprendizado profundo impulsionados por dados que desacoplam a geometria e a textura de objetos tridimensionais podem realizar edição de aparência, mas a fidelidade das visualizações renderizadas pela rede após a edição local da textura ainda é insuficiente, e devido às redes neurais implícitas que realizam renderização de visualizações de ponta a ponta, o controle sobre a renderização ainda é fraco. Para permitir a edição flexível da aparência do objeto, como nos métodos tradicionais, propõe-se um método de mapeamento de textura neural editável que desacopla a reflexão difusa e especular. Primeiramente, um framework de aprendizado de três estágios independentes é construído com base em um modelo de iluminação física para reflexão difusa, reflexão especular e mapeamento de textura. Em seguida, um campo de radiação neural é construído por amostragem espacial esférica, estabelecendo uma função de perda para o componente difuso, aprendendo a distribuição de energia da iluminação difusa sob supervisão de dados reais. Depois, baseado no método de rede de concha neural com respingos gaussianos 3D, e usando codificação hash multiresolução para aprender informações de cor, após adicionar o componente difuso, é realizado aprendizado supervisionado com imagens reais para modelar a reflexão especular dependente do ângulo de visão. Por fim, um rede de mapeamento de textura com consistência cíclica é usada para obter textura 2D explícita independente do espaço de cor, e o componente de cor difusa independente do ângulo de visão é correspondido um a um ao mapa de textura, realizando a operação inversa de edição de textura neural. Os resultados experimentais mostram que no conjunto de dados público DTU, em comparação com métodos avançados editáveis de textura NeuTex e Texture-GS, os indicadores quantitativos de pico de razão sinal-ruído (PSNR) no conjunto de testes de síntese de novos pontos de vista aumentaram em média 5,6%, a perda perceptual de imagem diminuiu em média 18%, a similaridade estrutural no conjunto de dados NeRFSyn também apresenta vantagens, e após a edição explícita da textura seguida de renderização multivista via rede neural, as vistas estão visivelmente mais nítidas. Este método realiza a construção da textura neural e edição controlada, permitindo modificar explicitamente e de forma flexível a aparência dos modelos 3D implicitamente expressos na textura 2D, garantindo a consistência da aparência multivisão.

Renderização baseada em física;campo de radiação neural;respingo gaussiano 3D;mapeamento de textura