Banbao

直接光的多光源采样问题；使用神经网络预测每一个点的采样光源的分布（一个数组）；对于光源数量多的，首先使用传统方法建立一个全局共享的 light hierarchy，将其划分为若干子树；NN 估计对于不同子树的采样概率（子树内的采样和传统方法相同）

单光源软阴影；神经网络估计一个 kernel 的权重，用权重进行 filter

ResTIR-PT 学习

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】