(论文)[2025-EGSR] Neural Resampling with Optimized Candidate Allocation
path guiding 的工作;之前工作要么表达能力不好(NPM),要么很慢;我们又快又好;我们先用小 MLP 预测 incident radiance,然后重采样;使用 EARS 的推理框架,不动点迭代对每一个前缀路径确定最优的 RIS 次数
path guiding 的工作;之前工作要么表达能力不好(NPM),要么很慢;我们又快又好;我们先用小 MLP 预测 incident radiance,然后重采样;使用 EARS 的推理框架,不动点迭代对每一个前缀路径确定最优的 RIS 次数
MMIS 将每一次采样到的策略都认为是一种新策略(可以重复),然后对他们做 balance heuristic MIS,用复杂的计算带来了好的结果;SMIS 只能处理一个参数化的采样方式,但是 MMIS 能够处理多种采样方式;两个应用 path filtering、photon mapping
论文你提出了一套新的渲染框架,基于线段(而不是传统的基于顶点);基于这套框架,作者给出了一些采样方案和估计方案;大部分方法这样表示没啥优势,优势在于他可以实现双向的 path filtering;作者给出了实验,表明这样实现的双向 path filtering 鲁棒高效;细节不是特别明白
可以理解为环境光源 DI 的 path guiding;product importance sampling;近似分子(product)(不考虑阴影),通过两步变换完成,head warp + tail warp;warp 通过 normalizing flow 实现;head 是小的条件 NF,tail 是大的无条件 NF
neural path guiding 算法;将输出的 2D 方向拆分为两个 1D 分布的乘积;然后使用神经网络近似 1D 分布,具体上网络输出一个离散的向量,然后使用插值的方式构建 pdf(最近邻、线性)
和 NRC 类似的思路,但是缓存入射辐射场 NIRC;引入双层 MC,估计 NIRC 和 GT 的残差用于保证无偏;优化了 NRC 的路径终止策略,使其能够在第一跳停止;实现做了一些优化,使其更快,能够用更多样本估计
PPG 在线学习,使用 inverse variance 进行不同迭代轮的图片混合【只考虑了 image space】;本文提出了新的方式【考虑 path space】;只能用于 PPG 这样的树结构;不太能支持 NEE【内存开销大】
mitsuba0.6 的实现,但是没完全看懂
论文提出了两种使用有偏估计构建无偏(或一致)估计的方法,分别是通过泰勒展开和伸缩和实现,给了一个通用框架;并根据这个理论实现了 3 个应用:可微渲染中的有限差分、体渲染中的 transmittance 估计、无偏光子映射