论文：Deep appearance modeling: A survey

在 June 2019  发表于 Visual Informatics 

综述类的论文，很好的帮助你了解一个领域内的比较重要的学术工作

外观建模指的是模拟光线如何跟表面交互，在几何上和光学上综合反应最终的渲染效果。深度外观建模（deep appearance modeling ），是使用机器学习在外观建模领域的新应用。

本文从图形学方向和机器学习两个方向来介绍深度外观建模的研究工作

常见的图形学方法是表面反射模型中，一种常见的近似方法是二色 BRDF，它将反射分解为漫反射分量和镜面反射分量
而以数据为驱动的外观建模，可以分为三个步骤： 1，获取过程，2，训练过程，3，重构过程

一，图形学方面

把最近的工作分为三类

1，deep appearance regression，直接建议端到端的映射，由图片生成对应的图片。简单粗暴的方式，

2，deep appearance reconstruction

3, appearance modeling with learned lighting conditions

针对这三个类，对比了以下工作的不同

二，机器学习方面

1，网络设计

对于输入和输出在同一个空间域，encorder-decoder的CNN是一个很有效的提取特征和保留特征的网络架构

2，损失函数

3，训练数据

4，训练方式

研究机会和展望

1，模拟复杂光线效果

2，基于机器学习的模型渲染

3，Generic latent space： 正是缺少一个大型数据集，所以没有一个类似ImageNet那样的通用隐空间来构成一个基座

4，大型数据集： 这个领域还比较缺乏数据集。open surfaces dataset 等是一个好的开始研究的数据集。

个人感想

TODO