比如说有的物体表面反射光强和奇怪，不能找对应。那么把图片单独做，把面上的法向量求出来，和视角无关。我们就可以回到原来的路，找对应，不是用RGB color找对应，而是用法向量构成的feature来做。

4. 机器学习中识别RGB ，如何用光度的方法如何把法向量丢进去学？

比如卷积神经网络，后面几层都一样。关键是前面几层。现在前面的卷积的kernel，灰度图像除了5×5之外，只有一个5×5的卷积网络。如果后面是RGB后面就需要有三个。但因为向量是normalize过的单位向量，所以只要2个5×*5的就够了。

我只关心每个pixel上有几个维度，每个维度内容是什么我不关心，只不过每个维度的value不一样。本质还是刻画图像的原本的特征，但是一个是RGB的体现，一个是法向量的体现。比如一个RGB的kernel，每个点上面，除了RGB还有D，不做更好的优化，可以直接丢到CNN里面，但是对前面卷积的5×5需要换成5×5来对应于每一个channel，这个实现就够了。

有时候我们还是要care一下range不一样。数据可以直接丢，也可以做一个归一化，但归一化可以让全连接网络去学也不难，但是你开始不要直接丢进去学。前期已经知道模型的时期就不要丢进去学。要准备的数据也会变少，过程也会变简单。

5. 法向量可以丢进去，我们在标法向量的时候很难标定条件怎么办？

法向量是算出来的，光源也是算出来的。假设光源远，就可以放一个球，预先知道球的法向量，反算光源的位置。如果点光源近，就可以放四个球，预先知道四个球的法向量，通过光求的最亮点反求出方向和距离，就可以知道每个法向量是多少。