Banbao

学习日志

简单来说就是降噪中，加入梯度信息作为指导；将梯度域渲染建模成 Kernel-Based 的方法；整体架构是一个金字塔架构，上下采样的权重通过 GLU【SIG-2023】的方式计算得到；在每一层内，进行梯度增强、Filtering 两个操作；梯度增强权重通过原始梯度图指导、GBuffer 监督得到；Filtering 的权重通过增强后的梯度、GBuffer、降噪后的图片、上采样的结果监督；实验显示比之前的梯度域渲染好（收敛性好、同 spp 好），比降噪方法好（同时间好）；非学习方法；渐近无偏

siggraph-asia 2024 论文

统计学降噪方法，效果好于 NN，好于 sota，对于 GBuffer 中不存在的阴影、焦散等能比较好的保留；高 spp 效果才好；基于交叉双边滤波函数，在其基础上乘上一个权重系数（binary，membership function），权重系数通过最小化两点之间的 MSE 得到，计算之后通过一个阈值转化为二值函数（这个过程等价于 Welch’s t-test）

RRS 的 MIS 优化，不同的采样方式分配不同的光线数（EARS 是相同的）；相当于联合优化 RRS 和 MIS 分配的光线数目

羽毛球训练

Deep Adaptive Sampling and Reconstruction using Analytic Distributions

提出了一个适应性采样+重建图片的框架并给出了一个算法；是一个迭代算法，分为初始化和适应性采样两个阶段；适应性采样节点，每次迭代，对于每一个像素，根据生成的样本从预定义的若干个（5-8）Gaussian Filter 中找到最优的 Filter，然后根据 Filter 的结果再去重新分配光线（可以理解为更新 sampling map），直到资源用尽迭代结束。

在适应性采样+重建任务中引入了 SURE，如此能够使用各向异性的核函数（之前的 GEM 工作只能各向同性的 Gaussian），提高了质量；同时 SURE 还能指导适应性采样；核函数包括交叉双边滤波函数、各向同性高斯、cross non-local means filter；D 函数的设计，能够高效处理 distributed effects（论文将这一点也作为主要贡献之一）

DASR 等基于神经网络的 AS+ReCon 工作，在生成 sampling map 的时候只依赖于 1 spp noisy 图片，对于降噪后的图片方差则没有太多考虑；论文提出了一种根据降噪输入数据的方差估计降噪后输出的方差的方法，然后根据输出的方差去引导 AS，取得了更好的效果；论文方法能够很好的与最近的方法结合，也不需要额外的网络；论文使用的降噪器是 Intel 预训练的的 OIDN