面向光传输的 Rao-Blackwellized 马尔可夫链蒙特卡洛

在光传输仿真中，马尔可夫链蒙特卡洛方法在探索复杂照明特征的区域方面尤为有效。然而，在一般蒙特卡洛方法中，估计器方差是一个核心关注点。在光传输中，高方差直接表现为增加的噪声，或等价地在固定图像质量下导致更长的渲染时间。基于 Rao-Blackwell 化的方差缩减技术已被证明非常有效。然而，实际情况下，光传输中使用的传统 RB 方法——废物回收——可产生几乎没有可衡量的方差缩减，我们在本工作中经验性地确认了这一点。为了解决这一有效方差缩减不足的问题，我们引入一种新颖的 RB 技术，用于通用 Metropolis-Hastings 算法，该方法计算高效且实现显著的方差缩减。我们表明，该方法在方差缩减和收敛速度方面 consistently 优于废物回收。基于这一结果，我们将所提出的 RB 方法适用于最近引入的通用 Jump Restore 算法，同样实现了显著的方差缩减和加速收敛。通过在光传输仿真中的大量实验，我们展示了该 \gls{rb} 技术在 MH 基于光传输算法和 Jump Restore Light Transport 方面，在相等时间和相等样本计数比较下均显著优于传统方法。