人工智能可以分析照片中的光学材料属性

研究人员训练一台计算机，希望其能通过观察照片来预感物体的触觉。继而推断出材料的正常反照率，漫反射率，镜面反射率和镜面粗糙度，和不同图像的像素。未来设计师可以通过AI预测光学材料属性，更快地迭代他们的设计。

小图像对大图像的表面进行数字重建

光学材料的发展

光学材料是用于光学实验和光学仪器中的具有一定光学性质和功能的材料的统称。目前，光学材料的种类多达几十种，其中光学玻璃在成像元件中使用得最多。

由于现代光学工业同电子工业、信息技术、通信技术的紧密结合，光学制造越发得到研究人员的重视。从光学材料、元件、镜头组件到整机仪器生产领域，光学制造的上中下游产品呈现出各异的市场现状，整条产业链出现不同的发展趋势。

如何训练AI预测光学材料属性

人类不擅长编程计算机来识别图像。因此，研究人员必须邀请教授运用AI，从已知这些值的图像中预测材料特性。

少层锑烯电化学剥离制备及其形貌结构表征

然而这个过程是非常有挑战性的。它需要一个200000程序生成的空间变化双向反射分布函数的数据集、40万次训练迭代以及需要一周左右的GPU处理时间。

AI使用输入照片（左图）来恢复描述反照率和镜面粗糙度（中间图像）的SVBRDF贴图。然后使用这些贴图重新渲染图像（右图像）

计算机可以学习如何识别图像上的每个视觉指数，例如材料产生的阴影和反射。完成这个目标的关键因素是对图像的模拟，我们为了训练机器学习准备了大量的图片。

如果未来AI可以协助人们快速确定材料属性，那么工程师们就可以专心于他们的设计，而不是寻找确定其光学数据的方法。

一般来说，收集这些光学数据可以一次性识别一小块材料。而通过这种新工具可以在像素级别上评估这些属性，因此工程师现在可以立即评估大型表面。

在评估大型表面时，这种数据采集方法有很大的优势，工程师们可以通过这种方式了解更广泛的表面，进而可以快速轻松地捕捉大图案。

快速获取光学材料数据的必要性

这种方法可以帮助工程师们节省成本，减少在购买实验室测量数据上的支出。但是实验测量还是非常有必要的，因为材料对不同的光环境会有不同的反应。为了确保准确的结果和高质量，最好的选择是在不同的光照条件和不同的方法下进行多次测量。

而这种类型的工具最好在设计的早期开发过程中为工程师服务。因为这个阶段不需要准确的光学数据来选择最终的材料。但工程师可以通过这个方式，选择更合适的候选材料，进入实验室进行严格的测试。