神经控制变量法
机器学习
2020-09-07 v2 图形学
机器学习
摘要
我们提出神经控制变量法（NCV），用于参数化蒙特卡洛积分中的无偏方差缩减。迄今为止，应用控制变量法的核心挑战在于寻找一个对积分函数良好近似且积分代价低廉的函数。我们表明一组神经网络可以应对该挑战：一个归一化流用于近似积分函数的形状，另一个神经网络用于推断积分方程的解。我们还提出利用神经重要性采样器来估计原始积分函数与所学控制变量之间的差异。为优化所得参数化估计器，我们推导了一个理论上最优的、最小化方差的损失函数，并提出了一种替代的复合损失，用于实践中稳定的在线训练。当应用于光传输模拟时，神经控制变量法能够与其他无偏方法的最先进性能相匹配，同时提供了开发更高性能、更实用方案的途径。具体而言，我们表明所学的光场近似具有足够高的质量以用于高阶弹射，使我们能够省略误差校正，从而以可忽略的可见偏差为代价大幅降低噪声。
引用
@article{arxiv.2006.01524,
title = {Neural Control Variates},
author = {Thomas Müller and Fabrice Rousselle and Jan Novák and Alexander Keller},
journal= {arXiv preprint arXiv:2006.01524},
year = {2020}
}
备注
To appear at SIGGRAPH Asia 2020. Updated with better loss function, leading to better results. 19 pages, 14 figures