0%
CMIS
- Continuous Multiple Importance Sampling
- REX WEST, The University of Tokyo,
Japan
- 项目主页
TLDR
- 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)
- 给了 3 个应用的例子
- Path Reuse
- Spectral Rendering
- Volume Single Scattering
Introduction
- MIS 能结合多种采样技术
- 如何结合 uncountably infinite number (i.e., a continuum) of
techniques?
- 我们将 MIS 泛化到 continuous MIS (CMIS),并给出最优结果(provably
optimal balance heuristic)
- 因为最优不容易达到,给出另外一个近似:stochastic MIS (SMIS)
estimator
- 有效性验证(应用):path space filtering、spectral rendering、volume
rendering with photon planes
- 则方差小
- discrete MIS (DMIS):
种采样技术
- 把积分拆分为 个部分
- one-sample DMIS estimator
- multi-sample DMIS estimator(
样本)
- 任意选择,只需要满足
- 平衡启发式(balance heuristic):单样本最优
- 现有研究
- 研究如何分配样本
- 提高 weighting heuristics
- 利用 domain-specific auxiliary information
- 考虑方差:balance heuristic with variance estimates,
- optimize the sampling densities for balance-heuristic
combination
- 多样本的 Optimal MIS(允许权重为负的前提下找到最优 weight
function)
- stochastic technique selection
CMIS
- Continuous Multiple Importance Sampling
- DMIS 的扩展
- :technique
space,任意
都是一种采样策略
- CMIS 的形式如下,其中
- 对于
的地方,至少存在一个 使得
- 最简单的 CMIS 函数:uniform
- CMIS 版本的平衡启发式(balance heuristic),最优性证明见副录 A
- 和 的 不是一个含义,只是都表示概率
- 是 one-sample 最优的平衡启发式的泛化形式
- 类似的,这也相当于用
对整体进行采样(和 DMIS 相同)
讨论
- 前人的工作:无穷但是可数 ,本文允许任意维度
- 【2019-SIG】Photon surfaces for robust, unbiased volumetric density
estimation.
- 将不可数转化为可数
-
离散化,只选取其中若干技术
- 让 分段常数
- multi-samples:直接操作不现实(不可数无穷样本),对每个技术 自身平均()
- stochastic MIS (SMIS) estimator
- 式子 10
的分母部分可能并没有闭式解(大部分情况下)
- 策略:需要构建
的无偏估计(倒数的无偏估计)
- 这段话啥意思???
- However, this method requires special care when , which is generally the case as
is a probability density
- 论文给出更简单的估计:初始有偏 -> 转变成无偏
- 采样 个样本对 用于估计 ,使用式子 9
的平衡启发式
- 此时,估计是有偏的(
的无偏估计并不是
的无偏估计)
- 是
的有偏估计,但是 是 的无偏估计
- 核心关键:计算 MIS
的时候只使用了采样得到的
种采样技术,没有管剩余的其他技术
- 在 Proxy Tracing
文章中,考虑了所有的剩余技术
- 整个采样逻辑变成了:先采样
种技术,然后每种技术采样一个样本
- 无偏性证明
- 和 DMIS 的区别,使用的技术是先从 中采样得到的,而不是固定的
- 可以理解为 random DMIS-discretization
- SMIS 的方式有了近似,不再是原始的 balance
heuristic,因此不再有方差最小的性质
- 次 pdf
计算过于复杂,解析解近似(应用 3)
- SMIS 同时兼容了有限、可数情况种采样技术
方差分析
- 没有理论分析,而是进行了实验验证
- 限定:一共采样 个样本
- 含义
- 表示使用 种技术的 SMIS, 次实现
- :balance
heuristic 的 CMIS
- :均匀采样的
CMIS,
- 实验:第一行为分布,下面两行为不同的 对应的方差

- 图 (b)
- 图 (c)
- 相同、:与 无关
- 除了
最差,其他都一样(处理
的方式相同)
- 图 (d)
- 正弦, 均匀到线性(程度不同)
-
最差,
最好, 中
越大越好
- 图 (e)
- 结果:上面 图的结果

- 在这里,我们是可以计算 (式子 9)分母中的积分部分的,因此可以实现
- 最高效率的 SMIS,总采样数(如下)与方差的 trade-off
应用1:Path Reuse
- reusing (sub)paths across multiple pixel estimations
- 之前的工作
- Path and (ir)radiance filtering methods:灵活但是引入了 bias
problem statement
- 像素积分
- eye subpath 贡献 ,prefix subpaths
- light subpath 贡献 , suffix subpaths
- 路径 (路径空间)
- ,我们认为
(因为路径长度有限)
- splitting:
- 直接连接其他的未分裂路径(下图所示),后缀路径的开销被摊销了,如何计算?
- 现有策略:所有像素得到的后作
DMIS;直接核函数收集末端附近的后缀路径(biased)

- 和之前的 CMIS
部分类似,我们可以构建 CMIS、SMIS 估计子
算法
- Practical path-space filtering algorithm
- 需要
次可见性测试, 中有 , 求解需要 次
- 加速:限制
的范围在原始前缀路径末端顶点附近
- biased 近似:认为一直可见,认为光子路末端顶点的 BSDF 不变
- 近似原因:都在原始前缀末端顶点的附近
- 不用可见性测试,同时不需要重新计算 BSDF 函数
实现
- two-stage algorithm
- 1:1spp 路径,然后将他们的顶点保存在 hashed spatial
grid 中
- 2:对于每一个 ,我们搜集其末端顶点周围的顶点构成技术
,构建 SMIS 估计
- 搜索半径:6spp in screen space(换算)
- 评估:SMAPE(symmetric mean absolute percentage error)
- reference and estimated value
- 对比:同时间、同样本都有
- Path Space Filtering(Keller 2014)
- 相关性问题
应用2:Spectral Rendering
- Wilkie 2014:Hero Wavelength Spectral Sampling
- 每条路径携带多个波长,每次选择一个波长作为 (hero
wavelength),生成散射光线
- 为什么可以这么做:大多数路径都和波长无关
- 遇到 spectral power
distributions(SPDs)时,能量集中在特定波长位置,效果不好,例如荧光灯
- 采样的时候,要求路径重用:,和
Hero 的区别在于我们在波长选择上更自由

实现
- 图片:RGB -> sRGB -> spectral
- CIE 1931 standard observer chromatic response curves
- 2019 Jakob
- 实现
- :正比于如下两个量的乘积,然后使用分层的模式进行采样
- the observer response
- a mixture of the scenes’ light-source SPDs
- 分层:We use a stratified sample pattern that is warped according to
that PDF
- 对比算法:除了 uniform 都使用 ,不说明都采样 4 个波长
- (论文)、(不分层)、brute-force(,直接对 512
个波长进行计算)
- HeroMIS(
采样主波长)
- 只采样一个波长:Uniform(均匀采样波长)、SpectralIS
- 感觉提升就是:重要性采样好于普通采样
应用3:Volume Single Scattering(没看懂)
- volumetric light transport simulation
Problem statement
- Deng 2019 提出了 photon
planes,用于求解矩形光源、单次散射的的体渲染
- phone plane:给定光源上的线段 ,采样出射方向

- A primary ray shot from the camera gathers
contribution from a given photon plane if it
intersects it.
- 线段:
- 采样技术: 就是采样
- 问题:ray 和 photon plane 平行?此时需要 MIS 考虑所有可能性
- 这里往后就都不是太懂了?主要不太懂流程?得看看
Deng2019 的论文
- 式子转换:式子 25
- 假设:the photon plane width does not change with orientation

副录
平衡启发式最优
- 找到
最小化方差,就是最小化如下式子
- 第一个等号:外层与 无关
- 第二个等号:积分与
无关
证明
引入拉格朗日乘子法
计算拉格朗日函数的变分
消去扰动函数
确定拉格朗日乘子
得到最优解
SMIS 无偏性
- 整个采样逻辑变成了:先采样
种技术,然后每种技术采样一个样本
- NEE 类似,确定两种()技术,然后各分配一个样本
- 更像是: