FreNBRDF: Eine frequenzkorrigierte neuronale Materialrepräsentation

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Autoren: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Zusammenfassung

Eine präzise Materialmodellierung ist entscheidend, um fotorealistisches Rendering zu erreichen und die Lücke zwischen computergenerierten Bildern und realen Fotografien zu schließen. Während traditionelle Ansätze auf tabellarische BRDF-Daten zurückgreifen, hat sich die jüngste Forschung in Richtung impliziter neuronaler Repräsentationen verschoben, die kompakte und flexible Rahmenwerke für eine Vielzahl von Aufgaben bieten. Allerdings ist ihr Verhalten im Frequenzbereich noch weitgehend unverstanden. Um dies zu adressieren, führen wir FreNBRDF ein, eine frequenzkorrigierte neuronale Materialrepräsentation. Durch die Nutzung von sphärischen Harmoniken integrieren wir Frequenzbereichsbetrachtungen in die neuronale BRDF-Modellierung. Wir schlagen einen neuartigen frequenzkorrigierten Verlust vor, der aus einer Frequenzanalyse neuronaler Materialien abgeleitet wird, und integrieren ihn in eine generalisierbare und adaptive Rekonstruktions- und Bearbeitungspipeline. Dieser Rahmen verbessert die Genauigkeit, Anpassungsfähigkeit und Effizienz. Umfangreiche Experimente zeigen, dass \ours die Präzision und Robustheit der Materialdarstellungsrekonstruktion und -bearbeitung im Vergleich zu modernen Baselines verbessert und dadurch strukturiertere und interpretierbarere nachgelagerte Aufgaben und Anwendungen ermöglicht.

English

Accurate material modeling is crucial for achieving photorealistic rendering, bridging the gap between computer-generated imagery and real-world photographs. While traditional approaches rely on tabulated BRDF data, recent work has shifted towards implicit neural representations, which offer compact and flexible frameworks for a range of tasks. However, their behavior in the frequency domain remains poorly understood. To address this, we introduce FreNBRDF, a frequency-rectified neural material representation. By leveraging spherical harmonics, we integrate frequency-domain considerations into neural BRDF modeling. We propose a novel frequency-rectified loss, derived from a frequency analysis of neural materials, and incorporate it into a generalizable and adaptive reconstruction and editing pipeline. This framework enhances fidelity, adaptability, and efficiency. Extensive experiments demonstrate that \ours improves the accuracy and robustness of material appearance reconstruction and editing compared to state-of-the-art baselines, enabling more structured and interpretable downstream tasks and applications.