FreNBRDF: Een Frequentie-Gecorrigeerde Neurale Materiaalrepresentatie

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Auteurs: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Samenvatting

Accurate materiaalmodelering is cruciaal voor het bereiken van fotorealistisch renderen, waardoor de kloof tussen computergegenereerde beelden en echte foto's wordt overbrugd. Terwijl traditionele benaderingen vertrouwen op getabelleerde BRDF-gegevens, is recent werk verschoven naar impliciete neurale representaties, die compacte en flexibele frameworks bieden voor een reeks taken. Hun gedrag in het frequentiedomein blijft echter slecht begrepen. Om dit aan te pakken, introduceren we FreNBRDF, een frequentie-gerechtificeerde neurale materiaalrepresentatie. Door gebruik te maken van sferische harmonieken integreren we frequentiedomeinoverwegingen in neurale BRDF-modellering. We stellen een nieuw frequentie-gerechtificeerd verlies voor, afgeleid van een frequentieanalyse van neurale materialen, en nemen dit op in een generaliseerbaar en adaptief reconstructie- en bewerkingspipeline. Dit framework verbetert de nauwkeurigheid, aanpasbaarheid en efficiëntie. Uitgebreide experimenten tonen aan dat \ours de nauwkeurigheid en robuustheid van materiaalweergave-reconstructie en -bewerking verbetert in vergelijking met state-of-the-art baselines, waardoor meer gestructureerde en interpreteerbare downstream taken en toepassingen mogelijk worden.

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.