(论文)[2024-SIG-C] N-BVH: Neural ray queries with bounding volume hierarchies
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。
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
ReSTIR 的理论基础(蒙特卡洛积分、重要性采样、重采样)