FreNBRDF: Частотно-скорректированное нейронное представление материала

FreNBRDF: A Frequency-Rectified Neural Material Representation

July 1, 2025

Авторы: Chenliang Zhou, Zheyuan Hu, Cengiz Oztireli

cs.AI

Аннотация

Точное моделирование материалов имеет решающее значение для достижения фотореалистичного рендеринга, сокращая разрыв между компьютерной графикой и реальными фотографиями. В то время как традиционные подходы полагаются на табличные данные BRDF, современные исследования сместились в сторону неявных нейронных представлений, которые предлагают компактные и гибкие решения для широкого круга задач. Однако их поведение в частотной области остается недостаточно изученным. Для решения этой проблемы мы представляем FreNBRDF — частотно-скорректированное нейронное представление материалов. Используя сферические гармоники, мы интегрируем частотные аспекты в нейронное моделирование BRDF. Мы предлагаем новый частотно-скорректированный метод потерь, основанный на частотном анализе нейронных материалов, и включаем его в универсальный и адаптивный конвейер реконструкции и редактирования. Этот подход повышает точность, адаптивность и эффективность. Многочисленные эксперименты демонстрируют, что наш метод улучшает точность и устойчивость реконструкции и редактирования внешнего вида материалов по сравнению с современными базовыми методами, обеспечивая более структурированные и интерпретируемые последующие задачи и приложения.

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.