测量BRDF数据集精确记录了材质的反射率,并且在绘制任务中保证了效果上的真实感。因此,它们能被用于许多对视觉真实感要求很高的现实应用中。在本文当中,通过使用基于神经网络的神经过程(Neural Processes)这一技术,对测量BRDF数据集训练得到了高度压缩的低维表示——BRDF函数隐空间。与此前将BRDF看成离散高维矩阵或张量的方法不同,本文将测量BRDF视为连续函数,并将其映射到相应的函数隐空间上。具体而言,针对一系列的测量BRDF材质,如MERL和EPFL数据集,本文的方法为每个材质数据学习一个共同的神经网络用于对其进行非线性编码到函数隐空间和解码为反射率,同时对材质数据的格式、大小和顺序都没有限制。完成了端到端的训练之后,可以得到这些材质的共同函数隐空间。其上面的每一个向量都可以作为一个BRDF函数的压缩表示,并在提供新的输入时,通过神经网络输出该输入对应的BRDF反射率。另外本文验证了函数隐空间的局部连续性和整体聚类效应,并利用这些语义对压缩表示进行插值、编辑,得到了新的BRDF。在实践中,基于神经过程得到的表示可以有助于BRDF压缩、插值、推荐和重建等应用。和已有的方法相比,应用该空间来表示测量BRDF数据集,压缩率更高,重建的绘制结果更精确。