Banbao

任务是当场景中有物体发生微小变化的时候，如何从已经渲染的图像获得变化后的图像；文章提出了计算 residual integral 的方法，重要性采样变化的路径空间用于高效计算，同时提出 path mapping 充分利用前后两帧之间的相关性。

提出了一种新的求 bounding 的方式，引入非对称的 loss 去限制 FN=0，但是训练很慢，推理也比较慢，但是 bounding 更加紧致，不能泛化（单物体训练）

policy-based 的算法（直接输出 policy），policy-gradient 方法

Q-Learning 的神经网络版本，能够处理状态很多的情况，但似乎处理不了行动很多的情况

Q-Learning 的介绍，Q-learning 的流程

强化学习框架、基本概念介绍；两个小实验，简单的跑一跑别人的代码

3D 高斯重建，第一个实现重建的实时渲染，训练速度和当时最快的 InstantNGP 差不多，出图质量和当时最好 Mip-NeRF360 的差不多。解决了两个问题，场景中很多地方是空的，快速的可微的渲染管线。

能够处理无穷多种采样方式的 MIS，处理方式就是先采样 n 种采样技术，采样每个技术分配 1 个样本（NEE 可以理解为一种 n=2 的情况）。无穷的处理为 CMIS，SMIS 是其一种近似。举了三个例子（光路重用、光谱渲染、体渲染），CMIS 需要近似才能计算实现，SMIS 实现更为实际。

FLIP 的 HDR 版本，自动计算最小曝光度和最大曝光度，在这之间生成多组 LDR（曝光补偿+色调映射）图片，多组 error map 取最大值得到最终的 error map

提出了一种针对 LDR 图片的新的误差评估标准，基于人眼感知的误差评估，考虑了观察距离、显示设备等观察因素，以及图片本身的性质（point、edge 检测）