(论文)[2021-EG-ShortPaper] Visualizing Errors in Rendered High Dynamic Range Images
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
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)
shadow ray 的可见性判断使用 MLP 判断,准去的来说是 TLAS + MLP,和传统的 BVH(TLAS + BLAS)相比,线程之间不存在 divergence,而且内存时间都可控,直接光照测试中达到 35% 的提升。
学习到了一种新的神经网络隐式表示,可以用于光线与场景求交,和 SDF 不同,不需要经过 ray marching(sphere tracing),一次查询直接就能求得交点(感觉这里完全没考虑可见性问题)
提出了 N-BVH,在 BVH 架构的基础上,在光线与场景求交的时候,一些子树内部节点的查询使用神经网络查询替代,从而实现场景属性的压缩,目前场景中能够学习的属性是交点、albedo、normal(其他的参数还是写死的)。速度上比 PT 慢一些,但是压缩效果很好。
学习日志
一些日志
docker 的简单使用,以 mitsuba0.6 为例
HASC 适应性采样的改进版,会重建树,减少读写冲突
使用二叉树 AABB (线性表维护叶子节点即可)对像素平面进行动态划分,动态的进行叶子结点的分裂或者终止,终止则表示算法认为已经收敛,停止对这个叶子节点内部像素的采样计算