Ray Tracing

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： ...

Progressive Photon Mapping 论文阅读 + Falcor 实践Abstract & 1 Introduction & 2 Related Work & 3 Overview的一部分 太长不看光线追踪系列技术很大的一个难点在于很多采样是没用的采样，也就是采不到光上面，导致了发射了大量光线但实际上对最终结果做出实际贡献的很少。路径追踪提供的额外的对光源采样的采样方式让采样相对更加高效率，但是对于场景中间接光源比较多的情况下，路径追踪的效果也并不是很好。于是有了双向路径追踪，相当于扩展了光源的概念，让简介光照的点也成了抽象光源，但是慢也成了限制他的最大因素。MLT方法也是从有效的采样出发，尽量继续生成“有效”采样，达到相同时间下更好的收敛性。 但是种种以上都不能很好地解决caustic问题，也就是玻璃类似的材质下折射、反射形成的独特的形状。原因是（当时历史下），现有的无偏MC方法对这种SDS（Specular-Diffuse-Specular）路径的采样概率不高。在这种情况下，上述方法如PT是收敛的极慢，BDPT有所改善，但是对于光子映射系列方 ...

SPCBPT: Subspace-based Probabilistic Connections for Bidirectional Path Tracing 题目：对于双向路径追踪这个领域，基于子空间的概率链接。 第一印象：一种对于双向路径追踪的，针对于概率链接的优化，使用了子空间这个方法。 个人还是喜欢这种论文，相对于深度学习based的技术硬核太多了。 Abstraction双向路径追踪可以通过选择合适的光线子路径的链接来进行加速优化。然而，现有的算法需要执行频率分布重建并且会有昂贵的开销（现有算法是什么？）。 我们提出了一种用于概率连接的新方法SPCBPT，该方法构造子路径空间中的光选择分布。我们的方法将子路径分为多个子空间，并将子路径保持在低差异的同一子空间中，其中可以通过基于子空间的两阶段采样方法来选择光子路径，即，首先对光子空间进行采样，然后对该子空间内的光子路径进行重新采样。基于子空间的分布不需要重建，并且以非常低的成本提供了有效的光选择。我们还提出了一种在光选择中考虑多重要性采样（MIS）项的方法，从而获得MIS感知分布，该分布可以最小化组合估计器的方差上限。先前的方 ...

Sampling TheoryStratified Sampling LHS: The Latin hypercube sampling

论文阅读：Optimally Combining Sampling Techniques for Monte Carlo Rendering中文翻译大概叫“对蒙特卡洛渲染中复合采样技术的优化”，从源头说起，一文搞懂mis（multiple importance sampling）多重重要性采样是什么为什么怎么样，以及为什么glsl-pathtracer要对反射方向以及光源都采样一次。 介绍渲染就是积分，积分很多都用MC（蒙特卡罗方法），但是MC的缺点就是因为他是基于概率估计，估计结果会有方差，具体体现在图像上就是噪声。 因为计算机图形学中的积分函数往往是病态的，所以我们经常需要不止一种采样策略来让我们的方差变小。 因此，这里需要解决的问题就是——我有很多种采样方法，如何调整每种采样方法的权重，来使最终的计算方差最小。“我们方法的意义不在于我们可以采用几种糟糕的采样技术并从中炮制出一种好的技术，而是我们可以采用几种可能好的技术并将它们结合起来，以便保留每种技术的优势” 第二部分，我们回顾了用于渲染的 MC 集成的基础知识，并给出了一个例子来激发我们的方差减少框架。 第三部分解释了我们关于 ...

BI-DIRECTIONAL PATH TRACING 双向路径追踪图形学研究进展需要复现一篇SIGGRAPH，遂找了一篇网上还没代码的论文。这里学习一下其基础：双向路径追踪。 Abstract在本文中，我们提出了一种新的蒙特卡罗渲染算法，该算法无缝集成了拍摄和采集能力，以创建真实感图像。该算法可以被解释为众所周知的路径跟踪算法的推广。测试结果表明，它在间接照明很重要的典型室内场景中表现得更好。 Introduction作者提出了一种新的蒙特卡洛算法来将光源和眼睛顶点放在相同的基础上处理，此之谓双向路径追踪。 后面提到了一篇多pass的渲染论文，问了下chatgpt： 《A progressive multi-pass method for global illumination》是一篇关于全局照明的论文。该论文提出了一种渐进式多通道方法，用于解决全局照明中的光照计算问题。 该方法基于迭代的思想，通过多次迭代来逐步优化全局照明的计算结果。具体来说，该方法分为多个通道，每个通道都对应着一种光照计算模型，例如光线跟踪、辐射度传输、环境光照等。在每个通道中，该方法会使用之前通道的计算结果作 ...

读 Hierarchical Russian Roulette for Vertex Connections 论文Abstract虽然双向路径追踪是一种成熟的光传输算法，但需要许多样本才能获得specular-diffuse-glossy或者glossy-diffuse-glossy的高质量结果，尤其是当它们具有高光泽时。为了提高这种光路配置的效率，我们提出了一种用于顶点连接的分层俄罗斯轮盘赌技术。 我们的技术根据许多缓存的光子路径顶点的眼睛子路径顶点处的近似散射波瓣，加速了大量的俄罗斯轮盘赌操作。我们的方法通过引入以自上而下的方式分配随机数的分层拒绝算法，显着减少了俄罗斯轮盘赌所需的随机数生成次数。为了有效地拒绝每个层次结构中的光顶点，我们还引入了用于俄罗斯轮盘赌概率的各向异性散射波瓣的有效近似。我们的技术很容易集成到一些现有的基于双向路径跟踪的算法中，这些算法缓存光子路径顶点（例如，概率连接、顶点连接和合并）。此外，与现有的多光方法不同，由于俄罗斯轮盘赌的简单性，我们的方法不限制多重重要性采样策略。尽管所提出的技术不支持完美的镜面反射表面，但它显着提高了以无偏差方式在极其光滑的表面 ...

19 Cameras, Lenses and Light Fields 相机棱镜和光场Camera Structure shutter 快门 sensor 传感器，感知Irradiance 针孔相机 Pinhole Image Formation没有模糊 Feild of view (FOV) 视场取决于Lens和Sensor（宽度是h）的距离（f）。 $Fov=2 arctan(\frac{h}{2f})$ Exposure 曝光 $ H=T\times E$ exposure=time*irradiance Aperture size 光圈（E）f数（F-Number F-STop）直径分之一，越大光圈越小。光圈大远景模糊，浅景深(景深是光像清晰的一段范围) Shutter speed 快门曝光时间（T）Motion Blur 运动模糊 ISO Gain 感光度。太大放大噪声 F-Stop和Shutter时间要Trade off Gauss Ray Tracing Construction / Thin lens equation$\fr ...

Ray Tracing 4 Path TracingMonte Carlo Integration Definite intergral: $\int_{a}^{b}{f(x)dx}$ Random variable: $X_i\sim pdf(x)$ , pdf is the Probability Distribution Function Monte Carlo estimator: $F_N=\frac{1}{N}\sum_{i=1}^{N}{\frac{f(x_i)}{pdf(x_i)}}$ 我自己证明一下：中心极限定理，当 $ N\rightarrow \infty $ $\frac{1}{N}\sum_{i=1}^{N}{\frac{f(x_i)}{pdf(x_i)}}\rightarrow E(\frac{f(x_i)}{pdf(x_i)})$ $= \int_{a}^{b}{pdf(x_i)\times \frac{f(x_i)}{pdf(x_i)}}dx$ $=\int_{a}^{b}{f(x_i)}dx$ $& ...