解析光照模型的神经增强
图形学
2026-04-28 v1
摘要
传统解析反射模型虽紧凑且可解释，但缺乏准确表示物理测量的能力。最近的神经模型 closely fit输入数据，泛化性较差且往往更昂贵的存储和评估。为结合这两类模型的优势并克服其局限性，我们提出了神经增强—a新型框架，通过识别和替换输入解析光照模型的关键计算节点/运算符为小规模多层感知器。这样，我们能够在保留原模型计算图结构的同时，以适度的代价提高其表达能力。为使增强计算可行，我们提出基于超立方体的搜索，自动且高效地识别需替换的节点/运算符以实现最大提升，同时以可微方式实现。我们增强了多个常见的解析BRDF模型。结果一次准确、紧凑且高效，与最新拟合测量反射和双向纹理函数的工作方法相当。最终，我们的模型完全兼容任何标准的光栅化或光线追踪管线。
引用
@article{arxiv.2604.24081,
title = {Neural Enhancement of Analytical Appearance Models},
author = {Xuanzhe Shen and Xiaohe Ma and Kun Zhou and Hongzhi Wu},
journal= {arXiv preprint arXiv:2604.24081},
year = {2026}
}