FreNBRDF: Uma Representação Neural de Materiais com Retificação de Frequência

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Autores: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Resumo

A modelagem precisa de materiais é crucial para alcançar renderizações fotorrealistas, reduzindo a lacuna entre imagens geradas por computador e fotografias do mundo real. Embora abordagens tradicionais dependam de dados tabulados de BRDF, trabalhos recentes têm migrado para representações neurais implícitas, que oferecem estruturas compactas e flexíveis para uma variedade de tarefas. No entanto, seu comportamento no domínio da frequência ainda é pouco compreendido. Para abordar isso, introduzimos o FreNBRDF, uma representação neural de materiais com retificação de frequência. Ao aproveitar harmônicos esféricos, integramos considerações do domínio da frequência na modelagem neural de BRDF. Propomos uma nova função de perda com retificação de frequência, derivada de uma análise de frequência de materiais neurais, e a incorporamos em um pipeline generalizável e adaptativo de reconstrução e edição. Essa estrutura aprimora fidelidade, adaptabilidade e eficiência. Experimentos extensivos demonstram que o \ours melhora a precisão e a robustez da reconstrução e edição da aparência de materiais em comparação com baselines state-of-the-art, permitindo tarefas e aplicações subsequentes mais estruturadas e interpretáveis.

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.