Hypernetworks for Generalizable BRDF Representation

本文介绍了一种从稀疏样本中估计测量BRDF的技术。我们的方法提供了准确的BRDF重建，适用于新材料。这为从各种数据源中重建BRDF打开了大门。我们的方法的成功依赖于超网络生成BRDF的强大表示能力和集合编码器，使我们能够将不同大小的输入馈送到架构中。集合编码器和超网络还可以压缩密集采样的BRDF。我们在100种各向同性材料的众所周知的MERL数据集上进行了定性和定量评估。我们的方法准确地1）估计了未见过材料的BRDF，即使采样极其稀疏，2）将测量的BRDF压缩成非常小的嵌入，例如7D。

本论文旨在提出一种从稀疏样本中估计测量BRDF的技术。通过该方法，可以准确地重建BRDF，并且适用于新材料，这为从各种数据源重建BRDF打开了大门。

该论文的关键思路是使用超网络生成BRDF的稳健表示，并使用集合编码器将不同大小的输入馈送到架构中。集合编码器和超网络还使得压缩密集采样的BRDF成为可能。

该论文在100种各向同性材料的知名MERL数据集上进行了定性和定量评估。该方法可以精确地估计未见过的材料的BRDF，即使采样非常稀疏，并将测量的BRDF压缩为非常小的嵌入，例如7D。

最近的相关研究包括使用深度学习方法重建BRDF的研究，例如基于卷积神经网络的方法、基于生成对抗网络的方法等。