Banbao

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

论文阅读

ReSTIR Course