Banbao

神经阴影贴图；通过将光源大小编码进输入，能够实现一个网络同时输出软硬阴影；类似 noise2noise 的学习，设计 loss，提高了时间上的稳定性；通过简化 UNet 架构实现实时性（<5ms）；针对不同场景的最大半影大小，可以使用不同深度的网络；通过微扰，挑选出对结果影响最大的 4 个通道作为网络输入（减少了输入的通道数，原来 13）

引入了 diffusion 的神经采样，离线训练（单材质训练 3-3.5h）、实时推理（50ms pytorch、5ms vulkan）；使用 diffusion 模型进行了更好的 BSDF 近似；通过转换 BSDF 定义域（disk -> sphere），实现了 grazing angle/specular 材质的更好近似，能够处理透射现象

ResTIR 加速

ResTIR GI，如何在 PT 中重采样一条路径，如何做 shift mapping

ReSTIR 流程，ReSTIR DI 实现，ReSTIR 如何在不同的定义域上复用样本

任务是当场景中有物体发生微小变化的时候，如何从已经渲染的图像获得变化后的图像；文章提出了计算 residual integral 的方法，重要性采样变化的路径空间用于高效计算，同时提出 path mapping 充分利用前后两帧之间的相关性。

提出了一种新的求 bounding 的方式，引入非对称的 loss 去限制 FN=0，但是训练很慢，推理也比较慢，但是 bounding 更加紧致，不能泛化（单物体训练）

policy-based 的算法（直接输出 policy），policy-gradient 方法

Q-Learning 的神经网络版本，能够处理状态很多的情况，但似乎处理不了行动很多的情况

Q-Learning 的介绍，Q-learning 的流程