.png){kind=icon}
返回
Neural Two-Level Monte Carlo Real-Time Rendering
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70050.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种高效的Two-Level Monte Carlo（多级蒙特卡洛MLMC的子集）估计器，用于具有全局光照场景的实时渲染。通过MLMC，我们将着色积分分为两部分：辐射度缓存积分和补偿第一部分偏差的残余误差积分。对于第一部分，我们开发了利用微小神经网络[MRNK21]作为构建模块的神经入射辐射度缓存（NIRC），并进行在线训练。该缓存被设计为提供入射辐射度的快速且合理的近似：一次评估的计算时间比路径追踪样本少2-25倍。这使我们能够使用大量样本估计辐射度缓存积分，从而实现更快的收敛。对于残余误差积分，我们计算NIRC预测与无偏路径追踪模拟之间的差异。我们的方法对场景的几何形状、材质或光照不做任何假设，并且只有少数直观的超参数。我们在不同的实验场景中提供了全面的比较分析。由于该算法采用在线方式进行训练，它即使在动态场景中也显示出显著的噪声水平降低，并且可以轻松与其他降噪技术结合。
Keyword:
CCS Concepts
center dot Computing methodologies -> Ray tracing
Neural networks
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
562
被引数:
1.1W
.png){kind=icon}
查看更多内容