Banbao

强化学习框架、基本概念介绍；两个小实验，简单的跑一跑别人的代码

3D 高斯重建，第一个实现重建的实时渲染，训练速度和当时最快的 InstantNGP 差不多，出图质量和当时最好 Mip-NeRF360 的差不多。解决了两个问题，场景中很多地方是空的，快速的可微的渲染管线。

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）。无穷的处理为 CMIS，SMIS 是其一种近似。举了三个例子（光路重用、光谱渲染、体渲染），CMIS 需要近似才能计算实现，SMIS 实现更为实际。

FLIP 的 HDR 版本，自动计算最小曝光度和最大曝光度，在这之间生成多组 LDR（曝光补偿+色调映射）图片，多组 error map 取最大值得到最终的 error map

提出了一种针对 LDR 图片的新的误差评估标准，基于人眼感知的误差评估，考虑了观察距离、显示设备等观察因素，以及图片本身的性质（point、edge 检测）

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