Two-Stage Monte Carlo Denoising with Adaptive Sampling and Kernel Pool
The University of Sydney（悉尼大学）；Tencent AI Lab（腾讯AI实验室）
蒙特卡罗路径跟踪器在低采样计数下呈现噪声图像序列。虽然在对这些序列进行去噪方面已经取得了很大的进展，但是现有的方法仍然受到空间和临时伪影的影响。本文针对蒙特卡罗渲染中存在的问题，提出了一种基于自适应采样策略的两级去噪算法。在第一阶段中，在动态调整每像素采样数（spp）的同时，我们重用计算来生成应用于自适应渲染图像的额外去噪内核。而不是直接预测的像素级内核，我们节省了开销的复杂性，从一个公共的内核池，可以动态更新，以适应输入信号的内核插值。在第二阶段，我们设计了位置感知池和语义对齐操作，以提高时空稳定性。我们的方法首先在Mitsuba渲染器渲染的10个合成场景上进行基准测试，然后在我们自建的基于RTX的渲染器渲染的3个额外场景上进行验证。我们的方法在数值误差和视觉质量方面都优于最先进的同行。
2021-03-30 cs.CV cs.GR
Pixel-wise Guidance for Utilizing Auxiliary Features in Monte Carlo Denoising
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；University of Stuttgart（斯图加特大学）
本文提出一种显式逐像素引导的蒙特卡洛去噪框架，分别训练基于G-buffers和P-buffers的去噪器，并通过集成网络学习逐像素权重图，联合训练以提升去噪性能。
2023-04-11 cs.CV cs.GR
Event-based Camera Simulation using Monte Carlo Path Tracing with Adaptive Denoising
Waseda University（早稻田大学）；Hitotsubashi University（一桥大学）；Chiba University（千叶大学）
针对 Monte Carlo 路径追踪生成的含噪帧，本文扩展 WLR 去噪并推导事件阈值以自适应检测亮度变化，从而高效仿真 DVS 事件相机，效果可比甚至优于逐帧穷举去噪。
2023-08-22 cs.CV cs.GR
Denoising Diffusion via Image-Based Rendering
Google（谷歌公司）；Technical University of Munich（慕尼黑工业大学）；University of Edinburgh（爱丁堡大学）；University of Glasgow（格拉斯哥大学）
本文提出首个基于去噪扩散模型的三维场景重建与生成方法，引入 IB-planes 神经场景表示和图像丢弃策略，仅用二维图像即可实现快速、详细的大规模真实场景重建与生成。
2024-02-20 cs.CV cs.GR cs.LG
Perceptual error optimization for Monte Carlo animation rendering
针对蒙特卡洛渲染独立估像素致误差白噪声分布、现有蓝噪声优化多忽略动画时间感知效应的问题，提出同时考量时空域的感知误差优化算法，验证了其有效性。
2023-10-04 cs.GR
Robust Average Networks for Monte Carlo Denoising
该研究提出通过插入鲁棒平均块、修改架构与损失函数并保持训练时时间连接活跃，将空间去噪神经网络转为时空型，实现提升图像质量、减少时间闪烁的效果。
2025-04-17 cs.GR
Real-time Monte Carlo Denoising with Weight Sharing Kernel Prediction Network
实时的【形】蒙特卡罗去噪的目的是在严格的时间预算内去除低像素采样率（spp）下的严重噪声。最近，核预测方法使用神经网络来预测每个像素的滤波核，并且已经显示出去除蒙特卡罗噪声的巨大潜力。然而，繁重的计算开销阻碍了这些方法的实时的【形】应用。本文扩展了核预测方法，并提出了一种新的方法去噪非常低的spp（例如，1-spp）以实时的【形】帧速率的蒙特卡罗路径跟踪图像。代替使用神经网络来直接预测核映射，即，每个每像素滤波内核的完整权重，我们预测内核映射的编码，随后是具有用于滤波内核的高质量重构的展开操作的高效解码器。核映射编码产生核映射的紧凑的单通道表示，这可以显著降低核预测网络的吞吐量。此外，我们采用了一个可扩展的核融合模块，以提高去噪质量。所提出的方法保留了核预测方法的去噪质量，同时将1-spp噪声输入的去噪时间大约减半。此外，与最近的神经双边基于网格的实时的【形】去噪器相比，我们的方法受益于基于核的重建的高度并行性，并在相同的时间产生更好的去噪结果。
2022-02-25 cs.GR
Learning-based Inverse Rendering of Complex Indoor Scenes with Differentiable Monte Carlo Raytracing
Zhejiang University（浙江大学）；Adobe Research（奥多比研究院）；Zhejiang Lab（之江实验室）；Manycore（众核）
室内场景通常表现出复杂的，空间变化的外观从全局光照，使逆渲染一个具有挑战性的不适定问题。这项工作提出了一个端到端的，基于学习的逆渲染框架，结合可微蒙特卡洛光线跟踪与重要性采样。该框架将单个图像作为输入，以联合恢复底层几何形状，空间变化的照明和真实感材料。具体来说，我们引入了一个基于物理的微分渲染层与屏幕空间的光线追踪，从而产生更逼真的镜面反射，匹配输入的照片。此外，我们还创建了一个大规模的真实感室内场景数据集，其中包含更丰富的细节，如复杂的家具和专用装饰。此外，我们设计了一种新的视图外照明网络，利用基于超网络的神经辐射场来预测输入照片视图外的照明。通过对常见基准数据集的广泛评估，我们证明了与最先进的基线相比，我们的方法具有出色的逆渲染质量，从而实现了各种应用，例如复杂对象插入和高保真材质编辑。代码和数据将在\url{https://jingsenzhu.github.io/invrend}上提供。
2022-11-23 cs.AI cs.CV cs.GR
Perceptual error optimization for Monte Carlo rendering
合成逼真的图像涉及计算高维光传输积分。实际上，这些积分是通过蒙特卡罗积分进行数值估计的。这种估计的误差表现为明显的混叠或噪声。为了改善这些伪影，提高图像保真度，我们提出了一个面向感知的框架来优化蒙特卡洛渲染的误差。我们利用基于人类感知的半色调文献模型。结果是一个优化问题，其解将误差作为视觉上令人愉悦的蓝色噪声分布在图像空间中。为了找到解决方案，我们提出了一套算法，提供不同的质量和速度之间的权衡，显示出比现有技术水平的重大改进。我们使用定量和误差指标进行评估，并提供广泛的补充材料，以证明我们的方法实现的感知改善。
2022-04-05 cs.GR
Diffusion Posterior Illumination for Ambiguity-aware Inverse Rendering
Max-Planck-Institut für Informatik（马克斯·普朗克信息学研究所）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Reality Labs Research（现实实验室研究部）
针对逆渲染中光照与材质分解的歧义性和多模态问题，提出结合自然光照扩散先验与可微路径追踪优化的框架，可采样真实多样且能解释观测的环境贴图和材质。
2023-09-30 cs.CV cs.GR
Hybrid-Rendering Techniques in GPU
本文综述实时光线追踪混合渲染技术，并基于 Vulkan 实现照片级真实感且超过 30 fps 的方案，分析时间滤波历史校正、空间可分离模糊和降噪前色调映射的效果。
2023-12-11 cs.GR
Inter-Reflective Gaussian Splatting for Robust and Efficient Inverse Rendering
School of Data Science, Fudan University（复旦大学数据科学学院）；Shanghai Innovation Institute（上海创新研究院）
研究逆渲染问题，提出IRGS++框架，通过可微二维高斯光线追踪等技术，能实时查询可见性和间接辐射，评估互反射传输方程，纳入金属感知材料建模等，在低光泽和光泽基准测试及实际研究中表现良好，提升逆渲染质量与效率。
2026-07-28 cs.CV cs.GR
A Monte Carlo Framework for Rendering Speckle Statistics in Scattering Media
我们提出了一个蒙特卡罗渲染框架的相干波的体积散射所产生的散斑图案的物理精确模拟。这些类似噪声的模式的特征在于强统计特性，例如所谓的记忆效应，其是用于如组织成像、运动跟踪和非视线成像等多种应用的成像技术的核心。我们的框架允许这些属性被复制计算，在某种程度上，是数量级更有效的替代品的基础上直接求解波动方程。在我们的框架的核心是一个路径空间制定的散斑图案的协方差所产生的散射量，我们来自第一原理。我们使用这个公式来开发两个蒙特卡洛绘制算法，用于计算散斑协方差以及直接散斑场。虽然基于波动方程求解器的方法需要知道波长大小的散射体的微观位置，但我们的方法仅将描述体积内这些散射体的统计分布的批量参数作为输入。我们通过与使用波动方程求解器模拟的散斑图案进行比较来验证我们框架的准确性，使用它来模拟以前只能通过实验室测量进行的记忆效应观测，并证明其适用于计算成像任务。
2019-01-21 cs.GR physics.optics
Neural Microfacet Fields for Inverse Rendering
UC San Diego（加州大学圣迭戈分校）；Google Research（谷歌研究院）；UC Berkeley（加州大学伯克利分校）
本文提出神经微面元场，在体积渲染中结合微面元反射模型与表面蒙特卡洛渲染，从图像高效恢复材质、几何和光照，逆渲染效果优于先前工作，新视图合成媲美最先进方法。
2023-10-15 cs.CV cs.GR
Accelerating Inverse Rendering By Using a GPU and Reuse of Light Paths
Technion – Israel Institute of Technology（以色列理工学院）
逆绘制试图从一组数据图像中估计场景特性。主要的方法是基于差分渲染使用蒙特卡罗。这样的算法通常依赖于前向模型，并使用迭代梯度方法，该方法需要每次迭代对数百万条光路进行采样。本文提出了一个有效的框架，加快现有的逆绘制算法。这是通过专门针对GPU架构定制逆渲染的迭代过程来实现的。为此，我们引入了两个交错的步骤-路径排序和路径回收。路径排序允许GPU处理相同大小的光路。路径回收允许算法使用来自先前迭代的光路，以更好地利用它们编码的信息。这些步骤共同显著加快了梯度优化。在本文中，我们给出了路径回收的理论背景。我们证明了它的体积散射层析成像和反射（表面反射）的效率。
2021-09-30 cs.CV cs.GR
Inverse Rendering using Multi-Bounce Path Tracing and Reservoir Sampling
S-Lab, Nanyang Technological University（新加坡南洋理工大学S-Lab）；Zhejiang University（浙江大学）；Cornell University（康奈尔大学）；SenseTime Research（商汤科技研究院）
提出MIRReS两阶段逆渲染框架，通过多反弹路径追踪和蓄水池采样，从多视角图像联合重建显式几何、材质和光照，在复杂阴影场景中实现最先进的分解性能。
2025-02-27 cs.CV cs.GR
GenesisTex: Adapting Image Denoising Diffusion to Texture Space
School of Software, Beihang University（北京航空航天大学软件学院）；R&D Efficiency and Capability Department, Tencent IEG（腾讯互动娱乐事业群研发效能与能力部）
本文提出GenesisTex方法，通过纹理空间采样将预训练图像扩散模型适配至纹理空间，结合全局风格一致性与局部潜在纹理对齐机制，并利用密集视图修复细化纹理，克服了现有方法优化慢和不稳定的问题。
2024-03-26 cs.CV cs.GR
Monte Carlo Rendering to Diffusion Curves with Differential BEM
University of Waterloo（滑铁卢大学）；Adobe Research（Adobe研究）
本文提出了一种基于差分边界元法的算法，能够直接从噪声蒙特卡罗样本生成带阴影信息的扩散曲线矢量图形。
2026-02-05 cs.GR
Neural Two-Level Monte Carlo Real-Time Rendering
Karlsruhe Institute Of Technology（卡尔斯鲁厄理工学院）
本文提出用于全局光照实时渲染的神经两级蒙特卡洛估计器，通过在线训练的 NIRC 加速辐射度积分并用无偏路径追踪残差校正偏差，显著降低动态场景噪声。
2024-12-05 cs.AI cs.GR
ReFrame: Layer Caching for Accelerated Inference in Real-Time Rendering
University of British Columbia（不列颠哥伦比亚大学）
针对实时渲染任务中神经网络推理的冗余计算问题，提出ReFrame层缓存框架，通过探索不同缓存策略优化质量与性能权衡，可适配多种编码器-解码器风格网络，实现平均1.4倍加速且质量损失可忽略。
2025-06-14 cs.GR cs.LG eess.IV
Deep Radiance Caching: Convolutional Autoencoders Deeper in Ray Tracing
使用全局光照渲染真实图像是一项计算要求很高的任务，并且通常需要专用硬件来实现可行的运行时间。最近的研究使用深度神经网络来预测图像级别的间接照明，但这种方法通常仅限于漫射材料，并且需要在每个场景上进行训练。我们提出了深度辐射缓存（DRC），这是辐射缓存的一种有效变体，利用卷积自动编码器来渲染全局光照。DRC采用带有Radiance Caching的去噪神经网络来支持广泛的材质类型，而无需为每个场景进行离线预计算或训练。这提供了高性能的CPU渲染，以实现最大的可访问性。我们的方法已经在室内场景中进行了评估，并且能够在单个CPU上在180秒内生成高质量的图像。
2020-07-30 cs.GR
Many-Worlds Inverse Rendering
École Polytechnique Fédérale de Lausanne (EPFL)（联邦理工学院洛桑校区）
针对物理逆向渲染中不连续可见性变化的瓶颈，提出多世界表示方法，通过对表面体积扰动进行微分，实现更简单高效的蒙特卡洛算法，显著提升收敛速度。
2025-04-29 cs.CV cs.GR
3D Gaussian Inverse Rendering with Approximated Global Illumination
HKUST(GZ)（香港科技大学（广州））；NIO（蔚来）；University of Amsterdam（阿姆斯特丹大学）
提出基于屏幕空间光线追踪的3D高斯逆渲染方法，通过Monte-Carlo追踪单次反弹间接光照，在不牺牲计算效率和可编辑性前提下实现真实全局光照与实时渲染编辑。
2025-04-02 cs.CV cs.GR
RL-based Stateful Neural Adaptive Sampling and Denoising for Real-Time Path Tracing
Huawei Zurich Research Center（华为苏黎世研究中心）
针对低采样蒙特卡洛路径追踪噪声大、难用于实时场景的问题，提出含采样重要性网络、潜在空间编码器和去噪器的端到端框架，用RL优化采样网络，提升视觉质量且同等质量下渲染速度比SOTA快1.6倍。
2023-10-05 cs.CV cs.GR cs.MM
CGVQM+D: Computer Graphics Video Quality Metric and Dataset
Intel Corporation, USA（英特尔公司）
针对合成内容与现代渲染伪影的质量感知研究不足的问题，研究团队构建了聚焦高级渲染失真的视频质量数据集，提出性能更优的全参考视频质量指标CGVQM，相关资源已开源。
2025-06-13 cs.CV cs.GR
Geometric Sample Reweighting for Monte Carlo Integration
我们提出了一个通用的样本加权计划和其基本理论的集成的未知函数的低维。我们的方法产生更好的结果比标准的加权方案为常见的采样策略，同时避免偏见。我们的主要见解是在积分过程中将权重推导与函数重构过程联系起来。我们的解决方案的实现很简单，并且可以改善收敛行为。我们说明了它的好处，我们的方法应用到多个蒙特卡洛渲染问题。
2019-08-05 cs.GR
Stochastic Texture Filtering
Shiokara–Engawa Research（Shiokara–Engawa研究院）；NVIDIA（英伟达）
该研究提出在光照计算后进行纹理过滤，并采用随机采样纹理过滤器的方法，以更精确地求解渲染方程，并在实时和离线渲染中实现高效高质量的纹理过滤。
2023-05-15 cs.CV cs.GR
RISE-SDF: a Relightable Information-Shared Signed Distance Field for Glossy Object Inverse Rendering
ETH Zürich（苏黎世联邦理工学院）；University of Tübingen（蒂宾根大学）
本文提出了一种端到端可重新光照神经逆向渲染系统RISE-SDF，采用两阶段方法结合神经SDF与信息共享网络，联合学习辐射场与基于物理的场景分解，并创建新数据集以评估光泽物体的材质重建与重新光照质量，实现了最先进的渲染性能。
2024-10-10 cs.CV cs.GR
Differentiable Surface Splatting for Point-based Geometry Processing
我们提出了微分表面飞溅（DSS），一个高保真微分渲染点云。点定位和法线的矢量经过精心设计，以处理渲染函数的不连续性。正则化项的引入，以确保均匀分布的点的基础表面上。我们展示了DSS的应用，逆渲染几何合成和去噪，大规模的拓扑变化，以及小规模的细节修改，准确和鲁棒地处理，而不需要显式的连接，优于国家的最先进的技术。数据和代码位于https://github.com/yifita/DSS。
2019-09-03 cs.GR cs.NE
AutoInt: Automatic Integration for Fast Neural Volume Rendering
Stanford University（斯坦福大学）
数值积分是科学计算的基础技术，也是许多计算机视觉应用的核心。在这些应用中，神经体渲染最近被提出作为一个新的范例视图合成，实现逼真的图像质量。然而，使这些方法实用的一个根本障碍是极端的计算和内存要求所造成的所需的体积积分沿渲染光线在训练和推理。需要数百万条射线，每条射线需要通过神经网络进行数百次正向传递，以利用蒙特卡罗采样来近似这些积分。在这里，我们提出了自动集成，一个新的框架，学习有效的，封闭形式的解决方案，积分使用基于坐标的神经网络。为了训练，我们实例化对应于网络导数的计算图。将曲线拟合到要积分的信号。优化后，我们重新组合图以获得表示反导数的网络。根据微积分的基本定理，这使得可以在网络的两个评估中计算任何定积分。将这种方法应用于神经渲染，我们改进了渲染速度和图像质量之间的权衡：将渲染时间提高了10倍以上，但图像质量略有下降。
2021-05-23 cs.CV cs.GR cs.LG
A Generalizable Light Transport 3D Embedding for Global Illumination
UC San Diego and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司）；UC San Diego USA（加州大学圣迭戈分校（美国））；NVIDIA USA（美国NVIDIA公司）；UC San Diego USA and NVIDIA USA（加州大学圣迭戈分校和美国NVIDIA公司）
提出一种可泛化的3D光传输嵌入方法，通过点云和Transformer直接预测全局光照，无需光栅化或路径追踪线索，适用于多种室内场景。
2026-06-16 cs.CV cs.GR
Differentiable Visual Computing
MASSACHUSETTS INSTITUTE OF TECHNOLOGY（麻省理工学院）；Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）
计算机图形学、图像处理和深度学习算法的衍生物在指导参数空间搜索或求解逆问题方面有着巨大的用途。随着算法变得越来越复杂，我们不再只需要区分简单的数学函数，而是必须处理编码数据的复杂转换的通用程序。本文介绍了三种工具，以解决复杂图形算法的导数获取和应用时出现的挑战。传统上，从业者被限制在用有限的运算符或手工派生的导数来编写程序。我们扩展了图像处理语言Halide的反向模式自动微分，并能够自动优化梯度计算。这使得自动生成任意Halide程序的梯度，在高性能，几乎没有程序员的努力。在3D渲染中，渐变需要与相机参数、几何体和外观等变量相关。然而，计算梯度是具有挑战性的，因为渲染积分包括不可微的可见性项。我们介绍，据我们所知，第一个通用的可微光线跟踪器，解决了完整的渲染方程，同时正确地考虑到几何不连续性。最后，我们证明了光路吞吐量的导数也可以用于引导前向渲染中的采样。由于难以对高贡献区域进行采样，因此在3D渲染中模拟存在多次反弹光泽效果和运动的光传输是具有挑战性的。我们提出了一个马尔可夫链蒙特卡罗渲染算法，扩展大都市光传输自动和明确地适应当地的被积函数，从而提高采样效率。
2019-05-27 cs.CV cs.GR
Grid-Free Monte Carlo for PDEs with Spatially Varying Coefficients
具有空间变化系数的偏微分方程（PDE）出现在科学和工程中，模拟丰富的非均质材料行为。然而，传统的PDE求解器与自然界中发现的巨大复杂性作斗争，因为它们必须首先将问题离散化-导致空间混叠，以及昂贵且容易出错的全局网格化/采样。我们描述了一种方法，既不近似域的几何形状，问题的数据，也没有解决方案的空间，提供精确的解决方案（在预期中），即使是非常详细的几何形状和复杂的系数的问题。我们的主要贡献是扩展行走的领域（WOS）算法从常数到可变系数的问题，从体积绘制技术。特别是，零散射启发的方法产生无偏蒙特卡罗估计的一大类的二阶椭圆偏微分方程，其中共享许多有吸引力的功能与蒙特卡罗渲染：没有网格，平凡的并行性，并能够评估在任何点的解决方案，而无需解决一个全球性的方程组。
2022-01-31 cs.GR cs.NA math.NA
PTIR-GS: Path-Traced Inverse Rendering with Global Illumination in 3D Gaussian Fields
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
提出一种无溅射的路径追踪逆渲染框架，在统一光线追踪管线中定义前向光传输和反向梯度传播，实现3D高斯场的全局光照逆渲染，提升材质反演和渲染质量。
2026-07-02 cs.GR
Parametric Integration with Neural Integral Operators
针对实时渲染光传输采样不足导致的噪声问题，本文提出在材质着色前用神经网络逼近光传输积分算子，实现单帧、实时且材质无关的参数化积分降噪。
2025-07-23 cs.GR
IllumiNeRF: 3D Relighting Without Inverse Rendering
Google Research（谷歌研究院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Google DeepMind（谷歌DeepMind）
针对现有可重光照视图合成方法依赖逆渲染、计算成本高且不稳定的问题，提出IllumiNeRF方法，先通过条件图像扩散模型重光照输入图像，再用其重建NeRF实现目标光照下新视图渲染，在多个基准上达SOTA。
2024-11-01 cs.AI cs.CV cs.GR
ToF ReSTIR: Time-of-Flight Rendering with Spatio-temporal Reservoir Resampling
Dartmouth College（达特茅斯学院）
本文提出一种时空重用框架，用于时间分辨光传输，实现高效蒙特卡洛渲染时间飞行现象。通过改进ReSTIR技术，解决传统方法计算成本高、扩展性差的问题，提出路径重用公式确保物理光学路径长度，支持交互速率的时间门控和瞬态渲染。
2026-10-08 cs.GR
Deep Scattering: Rendering Atmospheric Clouds with Radiance-Predicting Neural Networks
Disney Research（迪士尼研究院）；ETH Zürich（苏黎世联邦理工学院）
我们提出了一种技术，有效地合成图像的大气云使用的Monte Carlo积分和神经网络相结合。复杂的Lorenz-Mie散射和形成云的气溶胶的高散射度使得云的渲染-例如，内部物体的特征性镀银和“白度”-对于仅基于蒙特卡罗积分或扩散理论的方法具有挑战性。我们处理问题的方式不同。在渲染过程中，我们没有模拟所有的光传输，而是从数十个云样本中预先学习辐射通量的空间和方向分布。为了渲染一个新的场景，我们采样云的可见点，并为每个点提取云的几何形状相对于阴影位置和光源的分层3D描述符。该描述符被输入到深度神经网络，该深度神经网络预测每个着色配置的辐射函数。我们的关键观察结果是，逐步将分层描述符输入到网络中，可以提高网络的学习速度，并在使用较少系数的情况下实现高精度预测。我们还采用了剩余连接的块设计，以进一步提高性能。我们的方法的GPU实现合成的云的图像，几乎无法区分的参考解决方案在几秒钟内交互。因此，我们的方法代表了云设计等应用程序的可行解决方案，并且由于其时间稳定性，也适用于高质量的动画内容制作。
2017-09-15 cs.GR cs.LG stat.ML
Solving Inverse PDE Problems using Grid-Free Monte Carlo Estimators
对热传输和扩散等物理现象进行建模至关重要地依赖于偏微分方程（PDE）的数值解。PDE求解器找到给定系数和边界条件的解，而逆PDE求解器则相反，并从现有解重建这些输入。在这篇文章中，我们研究了使用基于梯度的方法求解偏微分方程逆问题的技术。基于有限元法的常规PDE求解器需要域网格化步骤，该步骤可能是脆弱且昂贵的。无网格蒙特卡罗方法代替随机样本路径，使用球体上行走算法的变体来构造解的无偏估计。这些方法与基于物理的渲染算法的不可思议的相似性已经被最近的几个作品所观察到。在渲染领域，最近的进展导致了有效的无偏导数估计的发展。他们解决了问题的伴随形式，并利用算术可逆性来计算梯度，使用恒定的内存量和线性时间复杂度。这两条工作线是否可以结合起来计算无网格偏微分方程求解器的廉价参数导数？我们调查这个问题，并提出初步结果。
2022-08-03 cs.GR math.AP
A Practical Walk-on-Boundary Method for Boundary Value Problems
本文向计算机图形学引入了边界行走（WoB）方法，这是一种无网格Monte Carlo求解器，支持多种边界条件，并利用与光传输模拟的相似性结合高级渲染技术，解决了WoS在边界附近的固有偏差问题。
2023-05-19 cs.GR cs.NA math.NA
A Flexible Neural Renderer for Material Visualization
计算机生成图像中的照片真实感在很大程度上取决于艺术家在场景中重建真实世界材料的能力。材料建模和编辑的工作流通常涉及材料参数的手动调整，并使用标准的路径追踪引擎进行视觉反馈。大量的时间可能花费在迭代选择和以适当的质量渲染材质上。在这项工作中，我们提出了一个基于卷积神经网络的工作流程，快速生成高质量的光线跟踪材质的可视化着色球。我们的新架构允许控制环境照明，并协助材料选择以及渲染空间变化材料的能力。此外，我们的网络可以控制环境照明，这给了艺术家更多的自由，并提供了更好的渲染材料的可视化。与最先进的去噪和神经渲染技术的比较表明，我们的神经渲染器执行得更快，更好。我们提供了一个交互式可视化工具，并发布了我们的训练数据集，以促进这一领域的进一步研究。
2019-08-26 cs.GR
Joint Sampling and Optimisation for Inverse Rendering
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
针对逆渲染中蒙特卡洛梯度方差导致收敛慢的问题，提出交替采样与优化、复用历史样本的低方差梯度元估计方法，并与 Adam 稳定结合以加快收敛。
2023-09-27 cs.GR cs.LG
Towards Quantum Ray Tracing
在传统的计算机上绘制能够生成逼真的图像，但是这些光传输算法的计算复杂性是图像合成的限制因素。量子计算机有可能通过降低光传输背后算法的潜在复杂性来显着提高渲染性能。本文研究了混合量子经典算法的光线追踪，大多数渲染技术的核心组成部分。通过在3D环境中的量子光线追踪的实际实施，我们表明量子方法提供了一个二次改进的查询复杂度相比，等效的经典方法。基于特定领域的知识，我们提出了算法，显着减少量子光线追踪所需的计算，通过利用图像空间的相干性和原则性的终止标准的量子搜索。我们展示了Whitted风格的光线追踪，并加速光线追踪操作时，执行经典的Monte Carlo集成区域灯和间接照明的结果。
2022-04-27 cs.GR
Harmonics Virtual Lights : fast projection of luminance field on spherical harmonics for efficient rendering
在本文中，我们引入谐波虚拟灯光（HVL），模型的间接光源的交互式全局光照的动态三维场景。虚拟点光源（VPL）是一种有效的方法来定义间接光源，并评估所产生的间接照明。然而，VPL遭受干扰伪影，特别是高频材料。虚拟球面光（VSL）通过考虑球体而不是点来避免这些伪影，但是使用蒙特卡罗来估计照明积分，这导致最终图像中的噪声。我们将HVL定义为VSL在球面谐波（SH）框架中的扩展，定义了照明积分评估的封闭形式。我们提出了一个有效的SH投影的球面光的贡献比现有的方法更快。当使用具有圆形对称波瓣的材料时，计算出射亮度需要$\mathcal{O}(n)$运算，并且对于一般情况，需要$\mathcal{O}(n^2)$运算，其中$n$是SH带的数量。HVL可以与参数或测量的BRDF一起使用，而无需额外成本，并通过减少或增加用于SH投影的频带限制来控制渲染时间和图像质量。我们的方法是特别好的设计，使中频一反弹全局光照与任意BRDF在交互时间。
2022-01-05 cs.GR
Flux-Limited Diffusion for Multiple Scattering in Participating Media
对于参与介质中的多重散射效应的渲染，基于扩散近似的方法是蒙特卡罗路径追踪的一种非常有效的替代方法。然而，在足够透明的区域中，经典扩散近似遭受非物理辐射通量，这导致与正确的光传输的不良匹配。特别是，这阻止了将经典扩散近似应用于非均匀介质，其中不透明材料嵌入透明区域内。为了解决这一限制，我们引入通量限制扩散，从天体物理学领域的技术。这种方法提供了一个更好的近似光传输比经典的扩散近似，特别是当应用到异质介质，因此扩大了基于扩散的技术的适用性。我们提供了一个算法的通量限制的扩散，这是验证使用的传输理论的点光源在一个无限均匀介质。我们进一步证明，我们的实施通量限制扩散产生更准确的渲染的多个散射在各种异构数据集比经典的扩散近似，通过比较这两种方法获得的地面实况渲染通过体积路径追踪。
2014-03-31 cs.GR
Learning Patterns in Sample Distributions for Monte Carlo Variance Reduction
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文研究了一种新的后验方差减少方法在蒙特卡洛图像合成。与大多数既定的方法在图像空间中的横向滤波的基础上，我们的主张是产生最好的可能的估计，为每个像素分别，从所有的样本绘制it.To使这一点，我们系统地研究了不同场景配置的每像素的样本分布。注意到这些太复杂，无法用标准的统计分布（例如高斯分布）来表征，我们识别了其中重复出现的模式，并利用这些模式来训练基于神经网络的方差缩减模型。结果，我们得到了数值上更好的估计相比，简单的平均样本。该方法与现有的图像空间去噪方法兼容，因为我们模型的改进估计可用于进一步处理。最后，我们讨论了如何在未来的建议模型可以扩展为完全渐进式渲染与恒定的内存占用和场景敏感的输出。
2019-06-01 cs.GR cs.LG
