Dans cet article, nous proposons Materialist, une nouvelle méthode permettant d'obtenir une retouche d'image physiquement cohérente. Nous constatons que les méthodes de retouche d'image existantes basées sur les réseaux neuronaux peinent à gérer avec précision les ombres et les réfractions, et que le rendu inverse basé sur la physique nécessite une optimisation multi-vues, ce qui le rend peu pratique pour les scénarios d'image unique. Materialist combine une approche par apprentissage avec un rendu différentiel progressif basé sur la physique pour prédire les propriétés initiales des matériaux à l'aide de réseaux neuronaux, et un rendu différentiel progressif pour optimiser les cartes d'environnement et améliorer les propriétés des matériaux afin que les résultats rendus correspondent à l'image d'entrée. Cette méthode permet diverses applications telles que la retouche de matériaux, l'insertion d'objets et le rééclairage, et constitue un moyen efficace de modifier la transparence des matériaux sans nécessiter la géométrie complète de la scène. De plus, nous améliorons la précision des tâches de retouche d'image en estimant des cartes d'environnement qui atteignent des performances de pointe. Les expériences sur des jeux de données synthétiques et réelles démontrent des performances robustes sur des jeux de données synthétiques et réelles, ainsi que des performances exceptionnelles sur des images hors domaine.
