NeuBTF：用于 BTF 编码与迁移的神经场方法

神经材质表示正成为渲染中表征材质的流行方式。它们比解析模型更具表现力，且比列表式 BTF 占用更少内存。然而，现有神经材质是不可变的，意味着一旦训练完成，其对特定 UV、相机和光照向量查询的输出即固定。虽然在没有编辑材质需求时这很实用，但当用于训练的材质片段过小或不可平铺时会变得非常受限，而使用测角反射仪捕获材质时经常发生这种情况。本文中，我们提出一种新颖的神经材质表示，联合解决 BTF 压缩、平铺与外推问题。在测试时，我们的方法使用引导图像作为输入，将神经 BTF conditioning 到该输入图像的结构特征上。随后，神经 BTF 可像常规 BTF 一样使用 UV、相机和光照向量进行查询。我们框架中的每个组件都经过专门设计，以最小参数量和计算复杂度最大化 BTF 编码质量，相较先前工作取得有竞争力的压缩率。我们在多种合成与捕获材质上展示了方法结果，表明其通用性及学习表征多种光学属性的能力。