在计算机图形学领域,精确的描绘材质和光源两者交互作用的结果,或者是让渲染结果看起来更真实一点,是研究人员追求一个传统而核心的话题。所以对材质表观精确而高效的建模,是领域人士想要努力达成的目标。本文选择从深度学习出发,构建一个神经网络并使用大量数据,代替需要足够先验知识才能完成建模的昂贵机器,完成对未知的空间变化情况下,平面材质的外观建模。本文用空间变化的表面函数表示,即SVBRDF(Spatially Varying Bidirectional Reflectance Distribution Function),并且进一步简化为四个分量:漫反射、法向、高光、粗糙度。本文完整的描述一个从渲染流程、网络结构到训练策略的详细解决方案。本文以简化后的SVBRDF,即漫反射,法向,高光和粗糙度作为数据的标记,并且设定一个渲染模型,用来准备所需的训练数据。本文的标记训练对由训练数据和其表面信息组成。往往标记训练数据集的获取和制作是十分困难的,所以本文从在训练策略入手,提出一种边训练边制作数据集的自增强训练方法:首先,只需要准备少量的标记训练集,将之放到神经网络学习,让网络具有一定的预测能力,不需要保证预测值和训练数据的真实表面参数相同或接近,因为预测的逆流程会解决这一问题,也就是将预测出的材质信息通过渲染引擎渲染出新的材质样本,这样渲染出的材质样本和之前提取出的材质信息是完全对应的,可以作为新的标记训练数据集给网络训练,所以本文只需要准备少量的标记数据集和大量容易收集的大量未标记数据即可。本文除了对自增强训练策略的验证,还有训练过程中出现的一些问题(训练时长、过拟合)的改进工作;使用一种自动化大量高效生成训练数据的可控的渲染方法。