FreNBRDF: Una Rappresentazione Neurale dei Materiali con Rettifica in Frequenza

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Autori: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Abstract

Una modellazione accurata dei materiali è cruciale per ottenere rendering fotorealistici, colmando il divario tra immagini generate al computer e fotografie del mondo reale. Mentre gli approcci tradizionali si basano su dati BRDF tabulati, i lavori recenti si sono orientati verso rappresentazioni neurali implicite, che offrono framework compatti e flessibili per una gamma di attività. Tuttavia, il loro comportamento nel dominio della frequenza rimane poco compreso. Per affrontare questo problema, introduciamo FreNBRDF, una rappresentazione neurale dei materiali con rettifica in frequenza. Sfruttando le armoniche sferiche, integriamo considerazioni nel dominio della frequenza nella modellazione neurale BRDF. Proponiamo una nuova funzione di perdita con rettifica in frequenza, derivata da un'analisi in frequenza dei materiali neurali, e la incorporiamo in una pipeline generalizzabile e adattabile per la ricostruzione e la modifica. Questo framework migliora fedeltà, adattabilità ed efficienza. Esperimenti estensivi dimostrano che \ours migliora l'accuratezza e la robustezza nella ricostruzione e modifica dell'aspetto dei materiali rispetto ai migliori metodi esistenti, abilitando attività e applicazioni downstream più strutturate e interpretabili.

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.