如果我告诉你，计算机图形学早在10年前就开始用机器学习了，你可能会不信。毕竟机器学习这个概念是在2012年左右才火起来的，并藉由深度学习的东风一吹，现在颇有燎原之势；计算机图形学本来就跟机器学习八竿子打不着，怎么可能在10年前就做机器学习？
"我读paper少，你不要骗我！"
当然，这也难怪，毕竟在人工智能飞速发展的今天，三个月前的paper可能已经是旧的技术，两三年前的架构都需要“学术考古”才能溯本清源了，自然不会有人去想10年前，甚至是15年前的图形学论文。其实，在图形学中，机器学习的方法早有应用，只是那个时候还不叫机器学习，而是更加淳朴地叫“数据驱动”的方法而已。
今天，我们就沿着数据驱动这条主线，从“学术考古”开始，挖一挖早年间的图形学中的机器学习技术。并以微软亚洲研究院网络图形组在数据驱动图形学方向上的几份工作作为例子，讲一讲数据驱动图形学的发展历史。限于篇幅和笔者能力所限，本文仅仅围绕材质属性建模这一图形学中的子问题进行讨论，其实在图形学很多其他方向，也有大量的数据驱动的做法。
既然提到所谓的材质属性建模，我们就先来讲讲什么是材质属性建模。在图形学的专业领域，材质属性又称为“表观(Appearance)”，本意指的是表象上的、外观上的属性，故称之为表观。从科学的角度定义，图形学中的表观(Appearance)是描述光线如何在物体表面和内部进行交互的一种性质，例如，在不透明表面，光线如何进行反射，反射后的能量如何衰减；以及在半透明表面，光的能量如何在物体内部进行传播，这些都是表观要描述的。我们可以看到，这些性质，其实都是和物体的材质属性有关的，比如金属和石膏的表面反射自然就会不同，因此便于大家更好理解，本文就以材质属性来代替所谓 “表观”这一概念。
洪荒时代，机器学习，数据当先——早期表观数据采集方法
我们知道，机器学习的方法往往需要有大量的数据作为“知识”，因此为了做好机器学习我们首先需要准备好大量的材质属性数据。早期的数据采集方法多是基于burte-force sampling。之前，我们对“burte-force”还真是没有什么太优美的翻译，不过现在我们有了一个特别合适的说法——“洪荒之力”。那么就让我们回到那个洪荒年代，看看早期的数据采集是怎么做的。
早在2003年，数据驱动图形学的先驱者之一Wojciech Matusik等人 [Matuski et al. 2003]在2003年就做出了惊人之举，利用“洪荒之力(brute-force sampling)”的方法一举获得了100个不同材质的表面反射属性。为了能够完整地获取光线在某一特定材质属性表面的反射性质，我们需要测量在不同入射光和出射光方向的组合情况下光线衰减的比率。如果我们把入射和出射方向的角度离散化到1°的话，即使考虑了光线可逆等性质，削减冗余的数据，对于一个材质而言，也要有90x90x360这样上百万个数据点。为了采样这些数据，Matusik等人设计了一个具有两个悬臂的巨大机械设备，自动拍摄一个球形物体在不同光照和视角下的照片，从而获得所需要的数据。这种做法，不仅需要巨大的设备，同时还要手工打造100个均质材料的球体。想想当年Matusik等人还真是下了苦功夫才做出了这100个材质数据。直至今日，大家说起做表面反射属性，总还是会提到这100个材质数据，也就是大名鼎鼎的MIT-MERL BRDF。
原文链接：
http://mp.weixin.qq.com/s/qwQC04BHm5BtI29kCflAHA
