Banbao

论文将 splatting 和 MCMC mutation 结合，提出了一种 $O(n)$ 的 path reuse 算法；为了加速，论文在 path reuse 的时候，使用 $O(\ln n)$ 的复杂度计算贡献值，实现了进一步加速

clash-verge 使用相关

Disney BSDF Model

微表面模型

学习日志

简单来说就是降噪中，加入梯度信息作为指导；将梯度域渲染建模成 Kernel-Based 的方法；整体架构是一个金字塔架构，上下采样的权重通过 GLU【SIG-2023】的方式计算得到；在每一层内，进行梯度增强、Filtering 两个操作；梯度增强权重通过原始梯度图指导、GBuffer 监督得到；Filtering 的权重通过增强后的梯度、GBuffer、降噪后的图片、上采样的结果监督；实验显示比之前的梯度域渲染好（收敛性好、同 spp 好），比降噪方法好（同时间好）；非学习方法；渐近无偏

siggraph-asia 2024 论文

统计学降噪方法，效果好于 NN，好于 sota，对于 GBuffer 中不存在的阴影、焦散等能比较好的保留；高 spp 效果才好；基于交叉双边滤波函数，在其基础上乘上一个权重系数（binary，membership function），权重系数通过最小化两点之间的 MSE 得到，计算之后通过一个阈值转化为二值函数（这个过程等价于 Welch’s t-test）

RRS 的 MIS 优化，不同的采样方式分配不同的光线数（EARS 是相同的）；相当于联合优化 RRS 和 MIS 分配的光线数目

羽毛球训练