在现实环境中,通过物体图像推断它自身的材质一直是一个具有挑战的问题,获得的材质可被广泛应用在三维物体的重建,克隆迁移等AR领域。由于物体自身的材质属性在图像中与物体几何、光照环境高度糅合在一起,只剥离出其中的单个属性存在二义性。因此,本文针对均质物体提出了一种新的方法来克服这个欠约束的逆向绘制问题。本文所提算法对光照与材质的估计进行了分离,分为三大模块。先通过对光照环境少量的先验,设计了全新的隐空间补全的图像生成算法,获得结构化合理的全景光照恢复。再结合光照结果与物体图像利用深度神经网络得到物体的材质初始推断。最后实现了一个光照与材质联合优化模块,通过可微分的绘制过程,即基于物理地模拟图像形成的过程来建立光照与材质的联系,交替迭代优化,更好地将材质从环境中解耦出来。本文所提算法在合成数据和真实拍摄数据进行了多种测试,验证了算法的鲁棒性。并与现有的材质估计方法做了结果比较,结果表明本文所提算法在准确度、泛化能力等方面都展示出了优越性。