SIGGRAPH

组里面 Jingsen 学长的工作，主要思路是通过Gbuffer的辅助信息训练神经网络让其更好地进行super resolution。其中一步是把最后的结果拆成两部分，一部分是BRDF，另一部分是光照相关项。但实际上Gbuffer由于信息很少而且只能做到这么多，能猜测道的光照相关项实际上应该是输入方向无关的。总体上讲我看了论文的大概，就是说还是不太清楚为什么这么设计，还是说这就是“just work”。 我们的方法实现了高保真的4 × 4超分辨率图像，在性能和质量上明显优于现有方法。我们的方法甚至在极具挑战性的8 × 8超分辨率任务(现有的方法基本上都失败了)(右下)中取得了成功，由于我们的BRDF解调和多分辨率融合设计来保留高频细节。放大查看细节 ABSTRACTION随着对高分辨率、高刷新率和高真实感需求的增加，实时渲染的工作量急剧增加，使大多数显卡不堪重负。为了缓解这个问题，一个最流行的解决方案是以低分辨率渲染图像以减少渲染开销，然后设法准确地将低分辨率渲染图像上采样到目标分辨率，即超分辨率技术。大多数现有方法侧重于利用低分辨率输入的信息，例如历史框架。在这些LR输入中缺少 ...

昨天和同学交流获悉有一篇Specular Polynomials啊，他这个图的效果是非常的amazing。我不知道他这是啥个原理，为啥看起来这么好，于是简简单单看了下paper。 论文名字起的短就是好，他起的好不好就另说了，就这短短两个英文单词看着就牛逼。不得不说确实视觉上，肯定吊打了pt（再别说了），还比一些学习分布的比如mpg强（时间太短学不到，所以短时间内还是噪点大王），还比sppm更清晰（短时间是这样的）。第一反应就是他应该是找了个高效的采样方法，我一开始甚至以为它用的是什么分析方法（其实还真是）。 内容就不赘述了，作者用了一大堆公式拐来拐去，大概说下思路。（要是我后续发现理解错了再说） 大意就是说，在算镜面反射的时候，现在用的方法看起来和不使用镜面反射的方法没有区别，这样就白白浪费了镜面反射“折射/反射”这种角度定死了、方向定死了的优点。所以作者就很好地利用了这一点，分析了一下计算过程，使用了一些trick，让“从diffuse的shading point直接向光源采样”这一步能够在计算上较为简单地实现。思想也很简单：把从diffuse point到光源的path ...

使用边界体素采样的实时路径引导。UCSD Tzu-mao Li组的工作，2024年SIGGRAPH。 实时渲染由于相比于离线渲染，其计算的预算都比较低，一般都会重用之前在时间上和空间上的信息。光线追踪技术一般是通过对光源采样和对bsdf进行采样，但是对于某些特定场景（比如全是间接光照照亮的场景），bsdf采样和光源采样的表现并不好。路径引导就是利用之前的采样信息，来引导光照向之前采样到光照的部分采样。这篇论文的方法VXPG （voxel path-guiding algorithm）就是利用空间上的采样信息，进行guiding。 ABSTRACTION关键思想： 每个shading point都有所在的体素数据结构，为了从数据结构中对一个shading point进行采样，我们需要选择一个对该点有高贡献的体素。 为了在考虑可见性的同时对体素进行重要采样，我们采用了离线多光渲染技术，通过对shading point和体素进行聚类。 最后，我们在考虑几何形状的同时，对所选体素进行无偏采样。 效果：与其他实时路径引导和虚拟点光方法相比，VXPG在等时间对比下的感知误差明显降低。 其他特点： ...