基于归一化各向异性球面高斯函数的在线神经路径引导
计算机视觉与模式识别
2024-02-28 v2 图形学
摘要
基于物理的渲染的方差缩减速度深受所采用的重要性采样技术影响。本文中，我们提出一种新颖的在线框架，利用随机光线样本以单一小型神经网络学习空间变化密度模型。为达成此任务，我们提出一种称为归一化各向异性球面高斯混合的闭式密度模型，其能以少量参数表达复杂辐照度场。我们的框架以渐进方式学习分布，且不需要任何预热阶段。由于我们的密度模型表示紧凑且具表现力，我们的框架可完全在 GPU 上实现，从而能以有限计算资源生成高质量图像。
引用
@article{arxiv.2303.08064,
title = {Online Neural Path Guiding with Normalized Anisotropic Spherical Gaussians},
author = {Jiawei Huang and Akito Iizuka and Hajime Tanaka and Taku Komura and Yoshifumi Kitamura},
journal= {arXiv preprint arXiv:2303.08064},
year = {2024}
}