Stochastic Ray Tracing for the Reconstruction of 3D Gaussian Splatting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Adobe Research（Adobe 研究院）；Canva Research（Canva 研究院）
本文提出一种无排序的随机光线追踪方法，用于重建和渲染标准及可照明的3D高斯点云场景，提升了重建质量和速度。
2026-03-26 cs.CV
Mirror-NeRF: Learning Neural Radiance Fields for Mirrors with Whitted-Style Ray Tracing
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
本文提出Mirror-NeRF框架，通过引入反射概率并采用Whitted式光线追踪构建统一辐射场，解决NeRF无法正确处理镜面反射的问题，实现精确的镜面几何与反射学习，并支持添加物体、控制镜面粗糙度等场景操控应用。
2023-08-07 cs.CV
LiDAR-RT: Gaussian-based Ray Tracing for Dynamic LiDAR Re-simulation
Zhejiang University（浙江大学）；Geely Automobile Research Institute（吉利汽车研究院）；Central South University（中南大学）
本文提出LiDAR-RT框架，通过结合高斯基元与硬件加速光线追踪技术，并引入场景图处理动态，实现了动态驾驶场景下实时且物理准确的LiDAR重仿真，在渲染质量与效率上超越现有方法。
2024-12-19 cs.CV cs.LG cs.RO
Radiant Foam: Real-Time Differentiable Ray Tracing
Simon Fraser University（西蒙菲莎大学）；University of British Columbia（不列颠哥伦比亚大学）；University of Toronto（多伦多大学）；Google DeepMind（谷歌DeepMind）
提出Radiant Foam模型，利用被忽视的体网格光线追踪算法，在避免光栅化近似的同时实现与Gaussian Splatting相当的渲染速度与质量，且无需特殊硬件支持。
2025-02-03 cs.CV
3D Gaussian Accelerated Ray Tracing: Fast training through particle-based backward propagation
University of Canterbury（坎特伯雷大学）
针对3D高斯溅射训练的反向传播瓶颈，提出3DGART框架，通过基元导向的反向传播优化，在Mip-NeRF 360上实现训练速度提升，使全光线追踪高斯训练更实用。
2026-08-19 cs.CV cs.GR
REdiSplats: Ray Tracing for Editable Gaussian Splatting
Jagiellonian University（雅盖隆大学）；University of Cambridge（剑桥大学）
针对经典 Gaussian Splatting 难以处理光照、编辑和物理仿真的问题，本文提出 REdiSplats，用网格参数化平面高斯并结合光线追踪，实现可编辑、可物理仿真且兼容 Blender 与 Nvdiffrast 的渲染。
2025-03-15 cs.CV
Object-Centric Neural Scene Rendering
Stanford University（斯坦福大学）；Google Research（谷歌研究院）
我们提出了一种方法，用于组成逼真的场景从捕获的图像的对象。我们的工作建立在神经辐射场（NeRFs）的基础上，它隐含地模拟了场景的体积密度和定向发射的辐射。虽然NeRFs合成逼真的图片，但它们只对静态场景进行建模，并且与特定的成像条件密切相关。这个属性使得NeRF很难推广到新的场景，包括新的照明或新的对象排列。我们建议学习以对象为中心的神经散射函数（OSF），而不是像NeRF那样学习场景辐射场，OSF是一种使用照明和视图相关的神经网络隐式建模每个对象光传输的表示。这使得即使对象或灯光移动时也可以渲染场景，而无需重新训练。结合体积路径追踪程序，我们的框架是能够渲染内和对象间的光传输效果，包括闭塞，镜面反射，阴影，和间接照明。我们评估我们的方法在场景组成，并表明它概括到新的照明条件下，产生逼真的，物理上准确的多对象场景渲染。
2020-12-15 cs.CV cs.GR
Every Camera Effect, Every Time, All at Once: 4D Gaussian Ray Tracing for Physics-based Camera Effect Data Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Yang Ming Chiao Tung University（国立阳明交通大学）；National Central University（国立中央大学）；Research Center for Information Technology Innovation, Academia Sinica（学术院资讯科技创新研究中心）
针对现有相机效果数据生成方法的缺陷，提出结合4D高斯泼溅与物理光线追踪的两阶段4D-GRT流水线，兼具高速与高质量渲染，还构建了相关评估基准。
2026-11-03 cs.CV
Differentiable Polarized Path Tracing
Max Planck Institute for Informatics（马克斯·普朗克信息研究所）；Saarland Informatics Campus（萨尔兰信息学园区）；VIA Research Center（VIA研究中心）；Google（谷歌）
研究逆渲染问题，提出偏振感知的可微路径追踪方法，通过路径重放和局部缓存组合估计无偏梯度，能在复杂场景中高效稳定优化材质和光照参数，拓宽基于物理的逆渲染适用性。
2026-07-16 cs.CV
TIBR4D: Tracing-Guided Iterative Boundary Refinement for Efficient 4D Gaussian Segmentation
Zhejiang University of Technology（浙江工业大学）
TIBR4D通过两阶段迭代边界精修方法，提升动态4D高斯分割的精度和效率，有效处理遮挡和模糊边界问题。
2026-02-09 cs.CV cs.GR
ExCellGen: Fast, Controllable, Photorealistic 3D Scene Generation from a Single Real-World Exemplar
本文提出ExCellGen框架，通过3DGS重建输入场景并训练GCA生成稀疏体素体积，实现快速可控的3D场景生成，生成速度达0.5-2秒，支持交互式创作。
2026-03-13 cs.CV cs.GR
TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions
NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
提出TRON框架，结合3D高斯光线追踪与神经渲染，实现真实世界3D场景在新光照、动态物体运动、物体插入和材质编辑下的逼真可控渲染，通过内在分解先验和光线追踪辐射引导，弥合物理渲染与神经渲染的差距。
2026-06-11 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
GuardMarkGS: Unified Ownership Tracing and Edit Deterrence for 3D Gaussian Splatting
Korea University（韩国大学）；KAIST（韩国科学技术院）；Hanshin University（汉西大学）
本文提出GuardMarkGS框架，通过结合全局水印目标与对抗目标，实现3D高斯溅射资产的统一所有权追溯与未经授权编辑的威慑，实验表明其在比特精度、编辑威慑和渲染质量间取得良好平衡。
2026-05-13 cs.CV
FastScene: Text-Driven Fast 3D Indoor Scene Generation via Panoramic Gaussian Splatting
Sun Yat-sen University（中山大学）；Guangdong Provincial Key Laboratory of Fire Science and Intelligent Emergency Technology（广东省火灾科学与智能应急技术重点实验室）
本文提出 FastScene 框架，由文本生成全景图并结合 CVS、PNVI、MVP 与 3DGS 重建，实现更快、更高质量且一致的 3D 室内场景生成。
2024-05-09 cs.CV
EAG-PT: Emission-Aware Gaussians and Path Tracing for Diffuse Indoor Scene Reconstruction and Editing
Zhejiang University（浙江大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；The Chinese University of Hong Kong（香港中文大学）；The University of Hong Kong（香港大学）
EAG-PT通过统一的2D高斯表示实现室内场景的物理重建与渲染，支持可编辑的漫反射全局光照，结合高效单次反弹优化和高质量多次反弹路径追踪，优于现有方法。
2026-04-30 cs.CV cs.GR
Differentiable Ray Tracing with Gaussians for Unified Radio Propagation Simulation and View Synthesis
Center for Machine Vision and Signal Analysis, University of Oulu, Finland（奥卢大学机器视觉与信号分析中心，芬兰）；CubiCasa Oy, Finland（芬兰CubiCasa公司）
本文提出一种基于高斯的可微射线追踪框架，实现无线传播模拟与视图合成的统一空间表示，通过可视化重建神经场景直接计算点对点路径，保留高质量视觉渲染。
2026-05-08 cs.CV
Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids
NVIDIA（英伟达）
提出基于全局稀疏局部密集体素块网格直接使用SDF的无MLP单目场景重建方法，结合尺度校准与可微渲染，训练速度提升10倍、渲染速度提升100倍且精度相当。
2023-05-22 cs.CV
UTrice: Unifying Primitives in Differentiable Ray Tracing and Rasterization via Triangles for Particle-Based 3D Scenes
The University of Tokyo（东京大学）
UTrice通过三角形统一不同iable光线追踪和光栅化中的基本原语，实现高质量实时渲染。
2025-12-04 cs.CV cs.GR
IRGS: Inter-Reflective Gaussian Splatting with 2D Gaussian Ray Tracing
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）
针对现有3DGS逆渲染方法因缺乏高斯光线追踪器导致材质与光照估计不准的问题，提出结合可微分2D高斯光线追踪的IRGS方法，采用完整渲染方程捕捉互反射，搭配高效优化方案与重打光间接辐射查询策略，经多基准验证可准确建模复杂互反射效应。
2025-03-24 cs.CV
SpikeGS: Reconstruct 3D scene via fast-moving bio-inspired sensors
Peking University（北京大学）；University of Washington（华盛顿大学）
提出SpikeGS框架，将spike streams集成至3DGS流程，通过累积光栅化与间隔监督从快速运动仿生相机的高时间分辨率数据中提取细节，实现高质量3D场景重建。
2024-12-24 cs.CV
Virtual laser scanning with HELIOS++: A novel take on ray tracing-based simulation of topographic 3D laser scanning
DGeo Research Group, Institute of Geography, Heidelberg University, Germany（地理研究所3DGeo研究组，海德堡大学）；Interdisciplinary Center for Scientific Computing (IWR), Heidelberg University, Germany（跨学科科学计算中心（IWR），海德堡大学）
本文提出开源模拟框架 HELIOS++，基于光线追踪模拟地形三维激光扫描，支持多种平台，通过灵活配置平衡物理精度与计算效率，显著降低运行时间和内存需求。
2021-01-21 cs.CV eess.IV
Trace3D: Consistent Segmentation Lifting via Gaussian Instance Tracing
Beijing Institute of Technology（北京理工大学）；State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室）；Tsinghua University（清华大学）
提出高斯实例追踪（GIT）方法，通过实例权重矩阵和自适应密度控制，解决高斯泼溅中2D分割提升至3D时的不一致与噪声边界问题，提升分割质量并支持多种应用。
2025-08-05 cs.CV
Face Reflectance and Geometry Modeling via Differentiable Ray Tracing
InterDigital；Technicolor（特艺集团）
我们提出了一种新的策略来自动重建3D人脸从单目图像明确解开面部几何形状（姿态，身份和表达），反射（漫反射和镜面反射），和自我阴影。场景灯光被建模为一个虚拟的灯光舞台，预先定向的区域灯光与可微蒙特卡罗光线追踪结合使用，以优化场景和面部参数。正确地解开自阴影和镜面反射参数，我们不仅可以获得强大的面部几何重建，而且还获得显式控制这些参数，与几个实际应用。我们可以通过精确的自阴影来改变面部表情，或者重新照亮场景，并获得精确的镜面反射和其他几个参数组合。
2019-10-03 cs.CV cs.GR
Digesting the Elephant -- Experiences with Interactive Production Quality Path Tracing of the Moana Island Scene
在过去二十年中，新的算法和硬件开发已经实现了小到中等尺寸场景的交互式光线追踪，并且在科学可视化和游戏中越来越受欢迎。然而，交互式光线追踪尚未在电影制作渲染的背景下得到广泛的探索，其中由于模型的复杂性而带来的挑战以及从实践的角度来看，它们对更广泛的研究界的不可用性带来了重大挑战。最近发布的迪斯尼莫阿纳岛场景已经为社区提供了一个这样的模型进行实验。在本文中，我们详细介绍了这个场景的交互式光线跟踪器所带来的挑战，我们已经采用和开发的解决方案，使互动路径追踪的场景与完整的几何和阴影细节，提供洞察力和指导其他研究人员的目标。
2020-01-08 cs.GR
FROSS: Faster-than-Real-Time Online 3D Semantic Scene Graph Generation from RGB-D Images
National Tsing Hua University（国立清华大学）；National Taiwan University（国立台湾大学）；RIKEN（日本研究机构）
针对3D语义场景图生成计算成本高且难以实时处理的问题，提出FROSS框架，通过将2D场景图直接提升至3D空间并用3D高斯分布表示对象，实现了快于实时的在线生成，且性能优于现有方法。
2025-08-10 cs.CV
HexPlane: A Fast Representation for Dynamic Scenes
University of Michigan（密歇根大学）
动态三维场景的建模和再现是三维视觉中一项具有挑战性的任务。先前的方法建立在NeRF上，并依赖于隐式表示。这是缓慢的，因为它需要许多MLP评估，限制了现实世界的应用程序。我们表明，动态3D场景可以显式地表示六个平面的学习功能，导致一个优雅的解决方案，我们称之为HexPlane。HexPlane通过融合从每个平面提取的向量来计算时空中点的特征，这是非常高效的。将HexPlane与微型MLP配对以回归输出颜色，并通过体渲染进行训练，可在动态场景上实现新颖的视图合成，获得令人印象深刻的结果，与先前工作的图像质量相匹配，但减少的训练时间超过$100\times$。广泛的消融证实了我们的HexPlane设计，并表明它对不同的特征融合机制，坐标系和解码机制具有鲁棒性。HexPlane是一种简单有效的4D体积表示解决方案，我们希望它们可以广泛地为动态3D场景的时空建模做出贡献。
2023-03-27 cs.CV
FastPano3D: Feed-Forward Indoor Panoramic 3D Reconstruction from a Single Image
Xi’an Shiyou University（西安电子科技大学）；Xidian University（西安电子科技大学）；Swansea University（斯旺西大学）；University of Bristol（布里斯托大学）
提出FastPano3D框架，从单张全景图直接生成可渲染的3D高斯表示，通过轻量编码器、自适应采样和点云引导优化，实现无需测试优化的快速高质量重建，速度比Pano2Room快156倍。
2026-06-29 cs.CV
MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo
ShanghaiTech University（上海科技大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Adobe Research（Adobe研究院）
我们提出了MVSNeRF，一种新的神经渲染方法，可以有效地重建神经辐射场的视图合成。与先前在神经辐射场上考虑密集捕获图像上的每场景优化的工作不同，我们提出了一种通用的深度神经网络，该网络可以通过快速网络推理从仅三个附近的输入视图重建辐射场。我们的方法利用平面扫描成本卷（广泛用于多视图立体视觉）的几何感知场景推理，并将其与基于物理的体渲染神经辐射场重建。我们在DTU数据集中的真实对象上训练我们的网络，并在三个不同的数据集上对其进行测试，以评估其有效性和通用性。我们的方法可以概括跨场景（即使是室内场景，完全不同于我们的训练场景的对象），并生成逼真的视图合成结果，仅使用三个输入图像，显着优于并发工作的可概括的辐射场重建。此外，如果捕获密集图像，我们估计的辐射场表示可以很容易地进行微调;这导致快速的每场景重建，具有更高的渲染质量和比NeRF少得多的优化时间。
2021-08-24 cs.CV
Neural Deformable Voxel Grid for Fast Optimization of Dynamic View Synthesis
Northwestern Polytechnical University（西北工业大学）；Baidu Inc.（百度公司）；CUHK-Shenzhen（香港中文大学（深圳））
近年来，神经辐射场（NeRF）以其优越的性能在新视图合成（NVS）领域掀起了一场革命。在本文中，我们提出了合成动态场景。将静态场景的方法扩展到动态场景并不简单，因为场景几何形状和外观都随时间变化，特别是在单目设置下。此外，现有的动态NeRF方法通常需要一个冗长的每场景训练过程，其中多层感知器（MLP）被适配为对运动和辐射进行建模。在本文中，建立在体素网格优化的最新进展，我们提出了一种快速变形辐射场方法来处理动态场景。我们的方法包括两个模块。第一个模块采用变形网格来存储3D动态特征，以及用于解码变形的轻量级MLP，其使用内插特征将观察空间中的3D点映射到规范空间。第二个模块包含一个密度和一个颜色网格来模拟场景的几何形状和密度。为了进一步提高绘制质量，对遮挡进行了显式建模。实验结果表明，我们的方法仅用20分钟的训练时间就达到了与D-NeRF相当的性能，比D-NeRF快70倍以上，清楚地证明了我们所提出的方法的效率。
2022-10-11 cs.CV
Factorized Inverse Path Tracing for Efficient and Accurate Material-Lighting Estimation
UC San Diego（加州大学圣地亚哥分校）；Qualcomm AI Research（高通人工智能研究）
针对传统逆路径追踪计算成本高、反射与发光存在歧义的问题，提出分解式逆路径追踪FIPT，通过分解光传输与误差驱动定位发光体，实现更快速精准的材质光照估计，在合成与真实场景均表现优异。
2023-08-23 cs.CV cs.GR
DPCS: Path Tracing-Based Differentiable Projector-Camera Systems
Southwest University（西南大学）；Stony Brook University（石溪大学）
针对神经网络式 ProCams 仿真可解释性弱、复杂光照效果差的问题，本文提出基于多反弹路径追踪和可微 PBR 的 DPCS，显式解耦并学习场景参数，以更少样本提升仿真、重光照与补偿效果。
2025-03-15 cs.CV cs.GR
Geometric-Photometric Event-based 3D Gaussian Ray Tracing
Keio University（庆应义塾大学）；Technische Universität Berlin（柏林工业大学）；Science of Intelligence Excellence Cluster（智能科学卓越集群）；Einstein Center Digital Future（爱因斯坦数字未来中心）；Robotics Institute Germany（德国机器人研究所）；The University of Tokyo（东京大学）
本文提出GPERT框架，通过分离事件渲染与快照渲染，解决事件基于3DGS的精度与时间分辨率平衡问题，实现高精度3D重建。
2026-09-28 cs.AI cs.CV cs.RO
Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds
Hong Kong University of Science and Technology（香港科技大学）
Point2Radio是从多环境学习可迁移传播先验的基础模型，基于材料感知点云实现跨场景无线电场预测，在路径增益预测上较UNet基线误差降76.7%，轻量微调可提升环境适应性。
2026-08-03 cs.AI cs.CV cs.LG
Practical Face Reconstruction via Differentiable Ray Tracing
InterDigital R&I（InterDigital研发与创新中心）；AI Foundation（AI基金会）；Technicolor Inc.（特艺集团）
我们提出了一种基于可微光线跟踪的新型人脸重建方法，场景属性- 3D几何形状，反射率（漫反射，镜面反射和粗糙度），姿态，相机参数和场景照明-从无约束的单目图像估计。该方法通过一个新的，参数化的虚拟光舞台，结合可微光线跟踪场景照明建模，介绍了一个由粗到细的优化配方的人脸重建。我们的方法不仅可以处理无约束的照明和自阴影的条件下，但也估计漫反射和镜面反射。为了一致地并且具有实用语义地估计面部属性，两阶段优化策略系统地使用参数属性的子集，其中随后的属性估计因子是先前估计的那些。例如，在第一阶段期间估计的自阴影，稍后防止其在第二阶段中烘焙成个性化漫反射和镜面反射。我们展示了我们的方法在几个现实世界中的情况下，即使在极端的光照条件下，人脸属性可以估计的功效。消融研究，分析和比较，对最近几个国家的最先进的方法显示，我们的方法提高了准确性和多功能性。一致的人脸属性重建，我们的方法导致几种风格-照明，阴影，自我阴影-编辑和转移的应用，如本文所讨论的。
2021-01-13 cs.CV cs.GR
View-Independent Adjoint Light Tracing for Lighting Design Optimization
本文提出视图无关的伴随光追踪方法，通过可微光追踪直接优化三维场景中的灯具布置，克服了传统图像空间限制，实现交互式照明设计优化并提升收敛性能。
2024-05-06 cs.GR
UltraRay: Introducing Full-Path Ray Tracing in Physics-Based Ultrasound Simulation
Chair for Computer-Aided Medical Procedures and Augmented Reality, School of Computation, Information and Technology, Technical University of Munich（计算机辅助医疗程序与增强现实教研室，计算、信息与技术学院，慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Chair of Biological Imaging, Central Institute for Translational Cancer Research (TranslaTUM), School of Medicine and Health, Technical University of Munich（生物成像教研室，转化癌症研究中央研究所（TranslaTUM），医学与健康学院，慕尼黑技术大学）；Institute of Biological and Medical Imaging, Bioengineering Center, Helmholtz Zentrum München（生物与医学成像研究所，生物工程中心，海德堡中心慕尼黑）
UltraRay提出基于全路径光线追踪的超声仿真流程，通过追踪发射与返回路径并结合平面波发射方案和信号处理管线，提升图像真实感，并为可微分超声仿真和梯度优化奠定基础。
2025-08-27 cs.CV cs.GR
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
Real Time Cluster Path Tracing
真实感渲染效果在电影中很常见，但今天大多数实时图形仍然依赖于基于扫描线的多通道渲染来提供丰富的视觉体验。虽然已有针对静态场景和刚性运动下的对象的分布式路径追踪的先前工作，但是变形角色的实时路径追踪必须支持逐帧动态BVH改变。我们提出了第一个实时生产质量集群路径追踪渲染器，支持电影质量的动画和变形的架构和实现。我们使用开源Blender及其GPU加速的生产质量渲染器Cycles构建了我们的集群路径追踪系统。我们的系统的渲染性能和质量与所使用的RTX集群节点的数量呈线性关系。它能够以每秒15 - 30帧的速度为各种Blender场景生成并向远程轻量级客户端系统提供具有全局光照效果的路径跟踪图像，包括具有皮肤变形和虚拟对象的动画数字人物。
2021-10-21 cs.GR
Radio Frequency Ray Tracing with Neural Object Representation
针对射频传播建模的电磁仿真挑战，提出RFScape框架，通过对象中心神经表示捕捉射频-对象相互作用并保留射线追踪可组合性，在真实测试平台上精度较传统方法提升13dB、较神经基线提升5dB。
2024-11-16 cs.GR eess.SP
Proceduray -- A light-weight engine for procedural primitive ray tracing
我们介绍Proceduray，这是一个用于程序几何实时光线追踪的引擎。其动机是目前缺乏中级抽象工具的场景与原语涉及交叉着色器。这些场景强加了严格的引擎设计选择，因为它们需要着色器表设置的灵活性。Proceduray旨在提供灵活性和生产力之间的公平权衡。它还旨在成为说教。着色器表的行为可能令人困惑，因为用于索引的参数来自系统的不同部分，涉及主机和设备代码。这与光线追踪三角形网格（必须为所有对象使用内置的相交着色器）或使用传统图形或计算管道进行渲染在本质上是不同的。该项目的其他目标包括促进对DirectX RayTracing（DXR）主机代码的深入讨论，并为尝试使用DXR处理程序几何的开发人员提供一个良好的起点。
2021-05-21 cs.GR
UltraDiff: Differentiable Ray Tracing in Ultrasound for Shape Optimization
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
UltraDiff将可微渲染扩展到超声，通过路径空间积分与蒙特卡洛估计实现梯度优化，在无监督B-mode图像上恢复椎体表面，达到竞争性几何精度。
2026-10-07 cs.CV cs.GR
Hybrid MBlur: A Systematic Approach to Augment Rasterization with Ray Tracing for Rendering Motion Blur in Games
运动模糊通常用于游戏电影中，通过对相机快门的行为进行建模并模拟其与场景对象的相对运动相关的效果来实现照片真实感。一种常见的实时后处理方法是空间采样，其中通过基于单个帧内的速度信息整合其颜色来渲染移动对象的方向模糊。然而，这样的屏幕空间方法通常不能产生准确的部分遮挡半透明性。我们的实时混合渲染技术利用硬件加速的光线追踪，以纠正后处理的部分遮挡文物推进射线递归到场景中检索运动模糊区域的背景信息，与合理的额外性能成本渲染游戏内容。我们扩展了我们以前的工作，详细的设计，实施和未来的工作的技术，以及性能比较与后处理。
2022-10-11 cs.GR
Minimizing Ray Tracing Memory Traffic through Quantized Structures and Ray Stream Tracing
本文提出一种内存高效的光线追踪方法，整合压缩BVH与三角形表示及光线流追踪技术，利用8位量化和定点算术，将内存流量降至传统方法的18%，同时避免几何漏洞。
2025-05-30 cs.AR cs.GR
Running on Raygun
随着Nvidia RTX硬件的推出，光线追踪现在可以作为复杂3D场景的通用实时的渲染技术。利用这项新技术，我们提出Raygun，一个开源的渲染，模拟和游戏引擎，专注于简单性，可扩展性，以及通过Nvidia的Vulkan光线追踪扩展实现的光线追踪的主题。
2020-01-27 cs.GR
Tracing Analytic Ray Curves for Light and Sound Propagation in Non-linear Media
物理世界由空间变化的介质组成，例如大气和海洋，其中光和声音沿着非线性轨迹传播。这对现有的基于光线跟踪的方法提出了挑战，这些方法由于其效率和灵活性而被广泛采用来模拟传播，但假设线性光线。我们提出了一种新的算法，跟踪分析射线曲线计算的局部介质梯度，并利用封闭形式的解决方案的射线曲线与平面表面的交叉点，和旅行距离。通过构建一个自适应的非结构化网格，我们的算法是能够模拟一般的媒体配置文件，在三维复杂的边界组成的地形和其他场景对象，如建筑物。我们使用自适应非结构化网格来追踪解析射线曲线，这大大提高了效率。重点介绍了该算法在室外场景声、视传播模拟中的应用。
2014-09-13 cs.GR
Neural directional distance field object representation for uni-directional path-traced rendering
National Institute of Science Education and Research（国家科学教育与研究所）；Homi Bhabha National Institute（霍米·巴巴国家研究所）
本文针对计算机图形学中路径追踪渲染的查询瓶颈，提出方向距离场作为物体的函数表示，将其存储为神经网络进行优化，并设计了修改后的路径追踪算法以实现该物体表示的快速渲染。
2023-06-28 cs.CV cs.GR
On Ray Reordering Techniques for Faster GPU Ray Tracing
本研究聚焦不依赖特定追踪内核的GPU光线重排序技术，提出适配次级光线的终止点估计改进方法，实验显示其在最新GPU上可将追踪速度提升1.3-2.0倍，但难以抵消重排序带来的硬件加速阶段开销。
2025-06-12 cs.GR
Fast and Flexible Indoor Scene Synthesis via Deep Convolutional Generative Models
Brown University（布朗大学）
我们提出了一种新的，快速和灵活的室内场景合成管道，该管道基于深度卷积生成模型。我们的方法操作在一个自上而下的基于图像的表示，并插入对象迭代到场景中预测其类别，位置，方向和大小与单独的神经网络模块。我们的流水线自然支持部分场景的自动完成，以及完整场景的合成。我们的方法比以前的基于图像的方法快得多，并且在对训练数据的忠诚度和感知的视觉质量方面，生成的结果优于它和其他最先进的深度生成场景模型。
2018-11-29 cs.CV cs.GR
NPSim: Nighttime Photorealistic Simulation From Daytime Images With Monocular Inverse Rendering and Ray Tracing
Department of Information Technology and Electrical Engineering（信息技术与电气工程系）
本文提出 NPSim 方法，通过单目逆渲染与光线追踪从日间图像生成逼真夜间图像，重点实现并评估网格重建组件，并规划了定量与感知实验以验证其在自动驾驶语义分割中的价值。
2025-03-10 cs.CV cs.GR
Foveated Path Tracing with Configurable Sampling and Block-Based Rendering
本文提出动态注视点路径追踪技术，通过降低周边区域采样率，在4K复杂场景中实现最高25倍性能提升，并利用结构化误差图验证了其感知有效性。
2025-08-28 cs.GR
3inGAN: Learning a 3D Generative Model from Images of a Self-similar Scene
University College London（伦敦大学学院）；Adobe Research（Adobe研究院）
我们介绍了3inGAN，这是一种从单个自相似3D场景的2D图像训练的无条件3D生成模型。这样的模型可以用于通过将空间潜在代码映射到3D体积表示中来产生给定场景的3D“混音”，该3D体积表示随后可以使用基于物理的体渲染从任意视图来渲染。通过构造，生成的场景在任意相机配置下保持视图一致，没有任何闪烁或时空伪影。在训练过程中，我们采用了通过可微体积跟踪获得的2D和3D生成对抗网络（GAN）损失的组合，跨越多个尺度，在其3D结构和2D渲染上都实现了现实主义。我们展示了从真实和合成源获得的不同规模和复杂性的半随机场景的结果。我们证明，第一次，学习合理的视图一致的3D场景变化从一个单一的范例场景的可行性，并提供定性和定量的比较，对最近的相关方法。
2022-11-27 cs.CV cs.GR
Hybrid MBlur: Using Ray Tracing to Solve the Partial Occlusion Artifacts in Real-Time Rendering of Motion Blur Effect
对于运动中的前景对象，否则将被隐藏的其背景的细节通过其内部模糊被揭示。提出了一种结合后处理图像滤波和硬件加速光线追踪的混合运动模糊绘制技术。在每一帧中，我们将光线递归地推进到场景中，以检索内部模糊区域的背景信息，并在将它们合成在一起之前，对光线跟踪的背景和光栅化的颜色应用后处理过滤。我们的方法实现了更准确的部分遮挡运动物体的半透明性，同时保持互动的帧速率。
2022-10-11 cs.GR
Faster Ray Tracing through Hierarchy Cut Code
本研究提出基于层级切割码的光线重排序技术，结合压缩方案降低排序开销，从理论解释长排序键性能瓶颈，实验实现次级光线追踪最高1.81倍加速，优于现有方法。
2023-07-19 cs.GR
