[Paper Reading] Antithetic Sampling for Monte Carlo Differentiable Rendering
Disclaimer: 这几篇 paper reading 是我去年暑期在 MSRA 实习期间留下的笔记，近期整理文件翻出遂转至博客。其中的内容不保证正确性，观点仅供参考。 “十问” 的格式来源于沈向洋老师的分享，指路 👉 1. 这篇文章究竟讲了什么问题？ 蒙特卡洛可微渲染中的对偶采样 问题： 可微渲染：渲染是在3D场景中进行积分得到2D图片，可微渲染就是逆向渲染的一个方法，通过微分从2D图片得到3D场景的部分参数 本文主要研究的是 physical-based 可微渲染，不是光栅化那种的 传统的 sampling 方法在面对高光表面的时候，会非常低效，尤其是在对全局的几何求导的时候 引入对偶采样可以大幅提高采样效率 2. 这个问题的性质是什么？它的重要性何在？ 对于传统方法的改进，解决掉了传统的 sampling 方法在面对高光物体时的低效问题 重要性： 计算制造、计算成像、遥感 不过感觉高光这件事在成像上重要一些，遥感这种远场的情况很少出现高光 完善了以往的方法，使得整个 BSDF 的对偶采样框架有更好的普适性 3. 这篇文章致力于证明什么假设？ 利用了对偶采样的蒙特卡洛算法能够很好的估计内部积分，从而使得整个采样框架具有更好的效率和普适性 4. 有哪些与这篇文章相关的研究？这一领域有哪些关键人物？ 本文的作者（Zhao Shuang）就是专门做可微渲染的，在去年的 SIGGRAPH20 上给了一个可微渲染的 course，CVPR21 又给了一个 tutorial talk Wenzel Jakob, 开发了 mitsuba2 的团队，mitsuba2 主要解决了可微渲染中高性能 auto diff 的问题 还有 Tzu-Mao Li 老师 5. 这篇文章提出的问题解决方案中，核心贡献是什么？ 面对高光表面，蒙特卡洛为什么慢？ When 𝐹 contains high-magnitude positive and negative regions, estimating 𝐼 using Monte Carlo methods with independent samples can suffer from very slow convergence....