Realistic rendering using discrete reflectance measurements is challenging, because arbitrary directions on the light and view hemispheres are queried at render time, incurring large memory requirements and the need for interpolation. This explains the desire for compact and continuously parametrized models akin to analytic BRDFs; however, fitting BRDF parameters to complex data such as BTF texels can prove challenging, as models tend to describe restricted function spaces that cannot encompass real‐world behavior. Recent advances in this area have increasingly relied on neural representations that are trained to reproduce acquired reflectance data. The associated training process is extremely costly and must typically be repeated for each material. Inspired by autoencoders, we propose a unified network architecture that is trained on a variety of materials, and which projects reflectance measurements to a shared latent parameter space. Similarly to SVBRDF fitting, real‐world materials are represented by parameter maps, and the decoder network is analog to the analytic BRDF expression (also parametrized on light and view directions for practical rendering application). With this approach, encoding and decoding materials becomes a simple matter of evaluating the network. We train and validate on BTF datasets of the University of Bonn, but there are no prerequisites on either the number of angular reflectance samples, or the sample positions. Additionally, we show that the latent space is well‐behaved and can be sampled from, for applications such as mipmapping and texture synthesis.

中文翻译：

---

BTF 的统一神经编码

使用离散反射率测量进行真实渲染具有挑战性，因为在渲染时会查询光和视图半球上的任意方向，从而导致大量内存需求和插值需求。这解释了对类似于解析 BRDF 的紧凑且连续参数化模型的渴望；然而，将 BRDF 参数拟合到复杂数据（如 BTF 纹素）可能具有挑战性，因为模型倾向于描述无法包含现实世界行为的受限函数空间。该领域的最新进展越来越依赖于经过训练以重现获得的反射率数据的神经表征。相关的培训过程非常昂贵，并且通常必须针对每种材料重复进行。受自编码器的启发，我们提出了一个统一的网络架构，该架构在各种材料上进行训练，并将反射率测量结果投射到共享的潜在参数空间。与 SVBRDF 拟合类似，现实世界的材质由参数图表示，解码器网络类似于解析 BRDF 表达式（也在实际渲染应用中对光线和视图方向进行参数化）。通过这种方法，编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。并将反射测量投影到共享的潜在参数空间。与 SVBRDF 拟合类似，现实世界的材质由参数图表示，而解码器网络类似于解析 BRDF 表达式（也在实际渲染应用中对光线和视图方向进行参数化）。通过这种方法，编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。并将反射测量投影到共享的潜在参数空间。与 SVBRDF 拟合类似，现实世界的材质由参数图表示，而解码器网络类似于解析 BRDF 表达式（也在实际渲染应用中对光线和视图方向进行参数化）。通过这种方法，编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。现实世界的材质由参数图表示，解码器网络类似于解析 BRDF 表达式（也针对实际渲染应用对光线和视图方向进行参数化）。通过这种方法，编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。现实世界的材质由参数图表示，解码器网络类似于解析 BRDF 表达式（也在实际渲染应用中对光线和视图方向进行参数化）。通过这种方法，编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。编码和解码材料成为评估网络的简单问题。我们在波恩大学的 BTF 数据集上进行训练和验证，但对角度反射样本的数量或样本位置都没有先决条件。此外，我们表明潜在空间表现良好，可以从中采样，用于 mipmapping 和纹理合成等应用。