.png){kind=icon}
返回
Physically Based Neural BRDF: A Framework for Physically Correct Material Reconstruction, Generation and Editing
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70500.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍基于物理的神经网络双向反射分布函数（PBNBRDF），一种基于神经场的新型连续材质外观表示方法。我们的模型能够准确执行真实世界材质的重建、生成和编辑，同时独特地通过重新参数化强制执行亥姆霍兹互反性，并通过高效解析积分强制执行能量守恒，以实现逼真的BRDF。我们进行系统分析，展示了遵循这些物理定律对重建材质视觉质量的益处。此外，我们通过引入色度强制约束RGB通道范数来增强神经BRDF的色彩准确性。通过在多个实测真实世界BRDF数据库上的定性和定量实验，我们表明，遵循这些物理约束使神经场能够更忠实地、稳定地表示原始数据，并实现更高的渲染质量。
Keyword:
Machine learning
Reflectance modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
566
被引数:
1.1W
机构
引用论文
Rainer, G., Bousseau, A., Ritschel, T., Drettakis, G., 2022. Neural precomputed radiance transfer, in: Computer graphics forum, Wiley Online Library. pp. 365–378.Rainer, G., Bousseau, A., Ritschel, T., Drettakis, G., 2022. 神经预计算辐射传输，载于：计算机图形学论坛，Wiley Online Library。第365-378页。.png)
IF0
PREAI
分享收藏
分享收藏
查看更多内容