FreNBRDF : Une représentation neuronale de matériaux à rectification fréquentielle

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Auteurs: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Résumé

La modélisation précise des matériaux est cruciale pour atteindre un rendu photoréaliste, comblant ainsi l'écart entre les images générées par ordinateur et les photographies du monde réel. Alors que les approches traditionnelles s'appuient sur des données tabulées de BRDF, les travaux récents se sont orientés vers des représentations neuronales implicites, offrant des cadres compacts et flexibles pour une variété de tâches. Cependant, leur comportement dans le domaine fréquentiel reste mal compris. Pour remédier à cela, nous introduisons FreNBRDF, une représentation neuronale de matériaux rectifiée en fréquence. En exploitant les harmoniques sphériques, nous intégrons des considérations du domaine fréquentiel dans la modélisation neuronale des BRDF. Nous proposons une nouvelle fonction de perte rectifiée en fréquence, dérivée d'une analyse fréquentielle des matériaux neuronaux, et l'intégrons dans un pipeline de reconstruction et d'édition généralisable et adaptatif. Ce cadre améliore la fidélité, l'adaptabilité et l'efficacité. Des expériences approfondies démontrent que \ours améliore la précision et la robustesse de la reconstruction et de l'édition de l'apparence des matériaux par rapport aux méthodes de référence actuelles, permettant des tâches et applications en aval plus structurées et interprétables.

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.