在依靠实时着色方式来着色三维场景从而得到着色效果的应用领域中,例如游戏、工业仿真以及建筑设计等领域,通常需要着色效果逼真的图像为用户提供身临其境的感觉。实时着色可采用的光照模型有很多,例如Lambert光照模型、Phong光照模型以及PBR光照模型等。为了使实时着色的效果更加逼真,在实时着色时一般采用PBR光照模型来对三维场景着色,PBR光照模型会对三维场景中模型的材质预先设定,这样在光照计算时会根据三维模型的材质特性来表现出接近真实感的效果。而为了解决基于Lambert光照模型的低画质着色和基于PBR光照模型的高画质着色之间着色效果差异巨大的问题,内容制作的美术工作者会根据项目经验,对材质贴图部分内容进行调整,从而添加主观信号。但这部分主观信号是美术工作者在不同项目中总结的经验,因此往往不是最优的结果。本文提出了一种端到端的深度学习方法,用来分析游戏中三维模型材质贴图使用PBR光照模型着色后的主观信号。通过把初始材质贴图和量化后的量化光照图输入神经网络模型,然后经过该模型编码与解码后得到全局最优材质贴图。本文包含三部分的研究工作,第一部分是完成着色过程中光照参数的量化,这部分工作的重心是把PBR光照模型着色的效果转化为深度神经网络模型可识别的数据,同时也量化了摄像机、光照的相对位置以及三维模型的几何结构对着色效果的影响;第二部分是材质贴图优化的模拟,这部分工作是模拟美术工作者在考虑三维模型、光照、摄像机等信息后再对初始材质贴图进行优化的过程,通过本文的模拟算法,能快速生成大量的真实值材质贴图供深度神经网络模型训练;第三部分是深度神经网络模型地构建,本文构建的深度神经网络模型包含两大子网络,第一子网络是改进UNet模型,该模型能从数据集中学习到不同光照条件下材质贴图的主观信号的变化,然后对初始材质贴图以及量化光照参数编码与解码,最后输出优化材质贴图,第二子网络是Patch GAN模型,该模型能判断真实值材质贴图和优化材质贴图相似度,同时对输入图像分块再判别,这样能更多的控制图像的局部高频信息的优化。通过实验效果对比,本文提出的方法能够对初始材质贴图添加主观信号后生成优化材质贴图,其使用低画质着色器着色后的效果能逼近高画质着色器着色的效果。