Relating small-scale structures to large-scale appearance is a key element in material appearance design. Bi-scale material design requires finding small-scale structures – meso-scale geometry and micro-scale BRDFs – that produce a desired large-scale appearance expressed as a macro-scale BRDF. The adjustment of small-scale geometry and reflectances to achieve a desired appearance can become a tedious trial-and-error process. We present a learning-based solution to fit a target macro-scale BRDF with a combination of a meso-scale geometry and micro-scale BRDF. We confront challenges in representation at both scales. At the large scale we need macro-scale BRDFs that are both compact and expressive. At the small scale we need diverse combinations of geometric patterns and potentially spatially varying micro-BRDFs. For large-scale macro-BRDFs, we propose a novel 2D subset of a tabular BRDF representation that well preserves important appearance features for learning. For small-scale details, we represent geometries and BRDFs in different categories with different physical parameters to define multiple independent continuous search spaces. To build the mapping between large-scale macro-BRDFs and small-scale details, we propose an end-to-end model that takes the subset BRDF as input and performs classification and parameter estimation on small-scale details to find an accurate reconstruction. Compared with other fitting methods, our learning-based solution provides higher reconstruction accuracy and covers a wider gamut of appearance.

中文翻译：

---

表格 BRDF 的基于学习的逆双尺度材料拟合

将小尺度结构与大尺度外观联系起来是材料外观设计的关键要素。双尺度材料设计需要找到小尺度结构——中尺度几何形状和微尺度 BRDF——以产生所需的大尺度外观，以宏观尺度 BRDF 表示。调整小尺寸几何形状和反射率以实现所​​需外观可能成为繁琐的试错过程。我们提出了一种基于学习的解决方案，以结合中尺度几何和微尺度 BRDF 来拟合目标宏观尺度 BRDF。我们在两个尺度上都面临着代表性挑战。在大规模上，我们需要既紧凑又富有表现力的宏观 BRDF。在小范围内，我们需要几何图案和可能在空间上变化的微型 BRDF 的多种组合。对于大规模的宏 BRDF，我们提出了一个新的表格 BRDF 表示的二维子集，它很好地保留了学习的重要外观特征。对于小尺度细节，我们用不同的物理参数表示不同类别的几何和 BRDF，以定义多个独立的连续搜索空间。为了构建大尺度宏观 BRDF 和小尺度细节之间的映射，我们提出了一个端到端模型，该模型以 BRDF 子集作为输入，对小尺度细节进行分类和参数估计，以找到准确的重建。与其他拟合方法相比，我们基于学习的解决方案提供了更高的重建精度并涵盖了更广泛的外观色域。我们用不同的物理参数表示不同类别的几何和 BRDF，以定义多个独立的连续搜索空间。为了构建大尺度宏观 BRDF 和小尺度细节之间的映射，我们提出了一个端到端模型，该模型以 BRDF 子集作为输入，对小尺度细节进行分类和参数估计，以找到准确的重建。与其他拟合方法相比，我们基于学习的解决方案提供了更高的重建精度并涵盖了更广泛的外观色域。我们用不同的物理参数表示不同类别的几何和 BRDF，以定义多个独立的连续搜索空间。为了构建大尺度宏观 BRDF 和小尺度细节之间的映射，我们提出了一个端到端模型，该模型以 BRDF 子集作为输入，对小尺度细节进行分类和参数估计，以找到准确的重建。与其他拟合方法相比，我们基于学习的解决方案提供了更高的重建精度并涵盖了更广泛的外观色域。我们提出了一个端到端模型，它以子集 BRDF 作为输入，对小尺度细节进行分类和参数估计，以找到准确的重建。与其他拟合方法相比，我们基于学习的解决方案提供了更高的重建精度并涵盖了更广泛的外观色域。我们提出了一个端到端模型，它以子集 BRDF 作为输入，对小尺度细节进行分类和参数估计，以找到准确的重建。与其他拟合方法相比，我们基于学习的解决方案提供了更高的重建精度并涵盖了更广泛的外观色域。