Robust Light Transport Simulation via Metropolized Bidirectional Estimators

最新推荐文章于 2022-06-20 11:34:54 发布
转载 最新推荐文章于 2022-06-20 11:34:54 发布 · 417 阅读 · 0
文章标签：

#RayTracing #BPT #MLT #Path

结合BPT、PM及MLT三大算法优势，解决光线追踪中高光表面及复杂Visibility问题。通过改进VCM/UPS算法，利用MLT优化lightsubpath采样，提升图像真实感。

文章转自：http://thegibook.com/rmse/
版权归原作者。

2016年SIGGRAPH Asia上最感兴趣的莫过于这篇Robust Light Transport Simulation via Metropolized Bidirectional Estimators，看标题就很牛逼：原本比较独立的光线追踪两大经典算法BPT和MLT合体了！这里简要描述下这篇论文的思路：

传统上我们认为光线追踪有三大基础算法：BPT，PM和MLT，它们都是相对比较独立的，因为它们各自采用不同形式的光照公式，例如BPT的路径积分形式，PM的范围估计，MLT则是将整个图像看成一个分布，这些看起来都是完全独立的。然而它们各自都有优缺点，好的想法是能不能把它们组合起来。

例如BPT的缺点是不能处理SDS，PM的缺点是处理diffuse表面不如BPT，MLT由于抽样点的相关性导致处理高光表面很低效，因为Markov chain始终在高频尖锐的部分徘徊，从整个图像上看stratification不够好；

2012年的VCM/UPS算法是一个很大的突破，它开始尝试将BPT和PM结合起来，使用PM对light subpath采样，并且将算法统一到BPT中，这样BPT就可以有效处理SDS。近几年中VCM/UPS几乎成了现在主流的离线渲染解决方案（参见The Path to Path-Traced Movies这篇论文）；

然而VCM/UPS的缺点是，因为它仍然是BPT的思路，eye subpath并不知道light subpath的情况，所以尽管它能处理SDS，但是两个subpath连接的时候形成的很多full path由于可见性（尤其对于复杂visibility的场景）而对光照贡献率很低，而MLT则很擅长处理Visibility的问题，所以这篇论文就基于VCM/UPS来使用MLT对light subpath进行采样，这样保证了两个subpath之间的连接更符合最终图像分布。这篇论文也就同时把BPT，PM和MLT三大基础算法组合在了一起！

具体做法就是，首先使用传统MC在图像平面生成eye subpaths，这里不使用MCMC产生eye subpath的原因是MLT在图像平面（image plane）的stratification不好；然后从这些eye subpath的位置开始产生Markov chain来产生light subpath（所以MLT在这里是用来产生一个subpath分布而不是整个图像分布）。这样整个算法能处理高光和复杂Visibility这两大难题的场景。

论文下载：http://www.ci.i.u-tokyo.ac.jp/~hachisuka/

Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model论文阅读
yangqoor的博客
05-26 1424
维度传统方法本文方法噪声处理后处理去噪（BM3D）联合建模（式6）梯度约束ℓ1\ell_1ℓ1​稀疏性（反射率）引导式梯度增强（式4-5）收敛效率对数变换导致非凸性免对数ADMM（10-15次迭代收敛）适用场景低噪声图像低/高噪声图像（双模型切换）关键实验结果支持在合成噪声数据集（BSDS）上，模型6的PSNR达到18.53 dB，高于传统方法+BM3D组合（表I）基线模型（式3）的NFERM指标为10.70（最低），表明细节保留最佳（图8）
Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model TIP 2018阅读记录
yangyoung1223的博客
06-11 2809
Abstract& Introduction 到目前为止，经典的Retinex模型都是不够健壮的，对于噪声的加入抵抗力很差，我们提出了健壮的Retinex模型，进行对噪声图的估计，加入了对照明情况和反射率的新的正则项 ...
Metropolis Light Transport学习与实现
图形跟班
08-16 3607
文章转自：http://www.cnblogs.com/starfallen/p/3509234.html 版权归原作者！这段时间一直在看Metropolis Light Transport(简称mlt)，现利用这篇博文把之前看资料已经coding上的一些体会记录下来。1.Before MLT在MLT算法被提出之前，最热的GI算法bidirectional path tracing虽然对比于bas
The Light Transport Equation笔记
04-08 604
渲染方程： 其中，Ld可以写成： 其中t(p, ωi)是The ray-casting functiongives the point p' on the first surface that the ray (p, ωi) intersects. 如下图所示： 由于 渲染方程可以先写成： ...
路径追踪算法
08-25
Path tracing is one of several techniques to render photorealistic im- ages by simulating the physics of light propagation within a scene. The roots of path tracing are outside of computer graphics, in the Monte Carlo simulations developed for neutron transport. A great strength of path tracing is that it is conceptually, mathematically, and often-times algorithmically simple and elegant, yet it is very general. Until recently, however, brute-force path tracing techniques were simply too noisy and slow to be practical for movie production rendering. They therefore re- ceived little usage outside of academia, except perhaps to generate an occasional reference image to validate the correctness of other (faster but less general) rendering algorithms. The last ten years have seen a dramatic shift in this balance, and path tracing techniques are now widely used. This shift was partially fueled by steadily increasing com- putational power and memory, but also by significant improvements in sampling, rendering, and denoising techniques. In this survey, we pro- vide an overview of path tracing and highlight important milestones in its development that have led to it becoming the preferred movie rendering technique today.
Q88：全局光照（Global Illumination）——Path Tracing
图形跟班
03-16 6853
88.1 引入（Introduction）   截至当前，回忆一下我们学过的针对直接光照和间接光照的不同反射模型。   直接光照： Phong反射模型。包含漫反射部分和高光反射部分。   间接光照： 对于镜面材料，有镜面反射模型； 对于高光材料，有高光反射模型； 但是，对于粗糙表面（matte，漫射材料）呢？截至当前，除了ambient，我们尚未考虑漫射材料的其他间接光照。
中路由拦截的路径_使用双向路径追踪渲染参与介质
weixin_36146057的博客
01-13 713
前言：关于大作业-体积散射的参考资料的第二个链接(实现细节，可跳过第四节，获得简单的路径追踪实现)，Lafortune 和 Willems 撰写的这篇论文的翻译，英语苦手手动翻译难免有错论文摘要：在本论文中，我们展示了如何扩展双向路径追踪，以处理由于参与介质而产生的全局照明效果。由此产生的基于图像的算法计算开销大，但比以前的解决方案更通用。它能正确处理复杂照明条件下非均匀各向异性介质中的多次散射。...
2018 NIPS paper list
Z609834342的博客
12-10 2693
NIPS2018 接收论文包括poster、tutorial、workshop等，目前官网公布了论文清单： https://nips.cc/Conferences/2018/Schedule Poster paper >~1. Zero-Shot Transfer with Deictic Object-Oriented Rep...
【2020GAN】对抗生成网络论文收录（1月-6月）
VictorFuture的博客
07-30 4087
【2020GAN】对抗生成网络论文收录（1月-6月）202001202002202003202004202005202006 202001 001 (2020-01-29) Simulation of electron-proton scattering events by a Feature-Augmented and Transformed Generative Adversarial Network (FAT-GAN) 基于特征增强和转换生成对抗网络(FAT-GAN)的电子质子散射事件模拟 htt
NIPS 2018 接收论文list 完整清单
VIEO
09-04 2327
2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019​​​​​​​ >~1. Zero-Shot Transfer with Deictic Object-Oriented Representation in Reinforcement L...
【ACL2021】主会571篇长文分类最全汇总
zenRRan的博客
07-08 4376
点击下面卡片，关注我呀，每天给你送来AI技术干货！作者｜唐天一机构｜中国人民大学高瓴人工智能学院导师｜赵鑫教授方向 | 自然语言处理来自 |RUC AI Box导读ACL-IJCNLP ...
ICRA2022 SLAM相关论文整理
m0_37604894的博客
06-20 8072
ICRA2022 SLAM相关论文整理-附论文PDF
Robust Monte Carlo Methods for Light Transport Simulation
10-09
《Robust Monte Carlo Methods for Light Transport Simulation》是一本关于蒙特卡洛方法在光线传输模拟中的应用的专著。本书适合对计算机图形学有一定了解的读者阅读，它详细介绍了如何使用蒙特卡洛算法模拟光的...
Robust Multiobjective Optimization via Evolutionary Algorithms
02-11
Abstract—Uncertainty inadvertently exists in most real-world applications. In the optimization process, uncertainty poses a very important issue and it directly affects the optimization performance....
IPC4J进程间内存共享库_基于inotify事件通知机制与mmap内存映射及shm_open共享内存API构建的半双工高性能跨进程通信框架_实现Linux环境下与发行版无关的进程.zip
最新发布
12-04
IPC4J进程间内存共享库_基于inotify事件通知机制与mmap内存映射及shm_open共享内存API构建的半双工高性能跨进程通信框架_实现Linux环境下与发行版无关的进程.zip
（48页PPT）DG某著名企业云平台赋能企业数字化转型.pptx
12-04
（48页PPT）DG某著名企业云平台赋能企业数字化转型.pptx
高可用的综合电商服务平台项目_后台商品管理子系统会员管理子系统订单管理子系统前端购物平台子系统商品搜索子系统商品详情子系统订单物流中心子系统_用于构建一个具备高可用性和可扩展性的完.zip
12-04
高可用的综合电商服务平台项目_后台商品管理子系统会员管理子系统订单管理子系统前端购物平台子系统商品搜索子系统商品详情子系统订单物流中心子系统_用于构建一个具备高可用性和可扩展性的完.zip
Hade是一个基于Golang的轻量级Web框架它使用net-http标准库搭建高性能服务器通过Context实现请求上下文的链条信息传递和共享采用trie树结构优化路由规则.zip
12-04
Hade是一个基于Golang的轻量级Web框架它使用net-http标准库搭建高性能服务器通过Context实现请求上下文的链条信息传递和共享采用trie树结构优化路由规则.zip
【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度（分时电价调度）（Matlab代码实现）
12-04
内容概要：本文介绍了一种基于蒙特卡洛模拟和拉格朗日优化方法的电动汽车充电站有序充电调度策略，重点针对分时电价机制下的分散式优化问题。通过Matlab代码实现，构建了考虑用户充电需求、电网负荷平衡及电价波动的数学模【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度（分时电价调度）（Matlab代码实现）型，采用拉格朗日乘子法处理约束条件，结合蒙特卡洛方法模拟大量电动汽车的随机充电行为，实现对充电功率和时间的优化分配，旨在降低用户充电成本、平抑电网峰谷差并提升充电站运营效率。该方法体现了智能优化算法在电力系统调度中的实际应用价值。; 适合人群：具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事新能源汽车、智能电网相关领域的工程技术人员。; 使用场景及目标：①研究电动汽车有序充电调度策略的设计与仿真；②学习蒙特卡洛模拟与拉格朗日优化在能源系统中的联合应用；③掌握基于分时电价的需求响应优化建模方法；④为微电网、充电站运营管理提供技术支持和决策参考。; 阅读建议：建议读者结合Matlab代码深入理解算法实现细节，重点关注目标函数构建、约束条件处理及优化求解过程，可尝试调整参数设置以观察不同场景下的调度效果，进一步拓展至多目标优化或多类型负荷协调调度的研究。
Link prediction via robust bidirectional deep nonnegative matrix factorization
09-14
鲁棒双向深度非负矩阵分解（Robust Bidirectional Deep Non - negative Matrix Factorization）用于链接预测是图分析领域的一个重要研究方向。 在图数据中，链接预测旨在预测图中节点之间是否存在潜在的链接。传统的非负矩阵分解（NMF）方法在处理图数据时存在一定局限性，而鲁棒双向深度非负矩阵分解则对其进行了改进。 从“鲁棒”角度来看，它能够更好地处理数据中的噪声和异常值。在实际的图数据中，可能存在一些错误的边或者不完整的信息，鲁棒性可以保证模型在这样的情况下依然能够较为准确地进行链接预测。 “双向”意味着该方法不仅考虑从一个节点到另一个节点的单向关系，还同时考虑反向的关系。在很多图结构中，节点之间的关系是相互的，双向的处理可以更全面地捕捉节点之间的交互信息。 “深度”则体现了模型的多层结构，通过多层的非线性变换，能够挖掘出图数据中更复杂的潜在模式和特征。这种深度结构可以学习到图的层次化表示，从而提高链接预测的准确性。 以一个社交网络为例，网络中的用户是节点，用户之间的好友关系是链接。使用鲁棒双向深度非负矩阵分解进行链接预测时，模型可以学习到用户之间的潜在社交特征，比如共同的兴趣爱好、社交圈子等。即使数据中存在一些虚假的好友关系或者未记录完整的关系，模型也能通过其鲁棒性进行修正，并利用双向和深度结构更准确地预测用户之间是否会成为新的好友。 在实现上，通常会将图的邻接矩阵作为输入，通过迭代优化的方式，将矩阵分解为多个非负矩阵的乘积。在优化过程中，会定义一个合适的目标函数，例如最小化重构误差，同时考虑鲁棒性的约束项。 ```python import numpy as np # 简单示例：模拟鲁棒双向深度非负矩阵分解的部分过程 def robust_bidirectional_nmf(A, k, max_iter=100, tol=1e-4): # 初始化非负矩阵 m, n = A.shape W = np.random.rand(m, k) H = np.random.rand(k, n) for iter in range(max_iter): # 更新 W numerator = np.dot(A, H.T) denominator = np.dot(np.dot(W, H), H.T) W = W * numerator / denominator # 更新 H numerator = np.dot(W.T, A) denominator = np.dot(np.dot(W.T, W), H) H = H * numerator / denominator # 计算重构误差 error = np.linalg.norm(A - np.dot(W, H)) if error < tol: break return W, H # 示例邻接矩阵 A = np.array([[1, 1, 0], [1, 1, 1], [0, 1, 1]]) k = 2 W, H = robust_bidirectional_nmf(A, k) print("W:", W) print("H:", H) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值