FreNBRDF: Una Representación Neural de Materiales con Rectificación de Frecuencia

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Autores: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Resumen

La modelización precisa de materiales es crucial para lograr renderizados fotorrealistas, cerrando la brecha entre las imágenes generadas por computadora y las fotografías del mundo real. Mientras que los enfoques tradicionales dependen de datos tabulados de BRDF, trabajos recientes han girado hacia representaciones neuronales implícitas, las cuales ofrecen marcos compactos y flexibles para una variedad de tareas. Sin embargo, su comportamiento en el dominio de la frecuencia sigue siendo poco comprendido. Para abordar esto, presentamos FreNBRDF, una representación neuronal de materiales rectificada en frecuencia. Al aprovechar los armónicos esféricos, integramos consideraciones del dominio de la frecuencia en la modelización neuronal de BRDF. Proponemos una nueva función de pérdida rectificada en frecuencia, derivada de un análisis de frecuencia de materiales neuronales, y la incorporamos en una canalización de reconstrucción y edición generalizable y adaptable. Este marco mejora la fidelidad, adaptabilidad y eficiencia. Experimentos exhaustivos demuestran que FreNBRDF mejora la precisión y robustez de la reconstrucción y edición de la apariencia de materiales en comparación con los métodos de referencia más avanzados, permitiendo tareas y aplicaciones posteriores más estructuradas e interpretables.

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.