Manifold Exploration

Manifold Exploration talk from Wenzel Jakob on Vimeo.

http://www.cs.cornell.edu/projects/manifolds-sg12/


개요:

비왜곡 몬테 카를로 방법을 사용하여 렌더링 하는 경우에 특정한 어려운 종류의 빛 전송 경로가 있습니다. 특히 경로들이 스펙큘러나 글로시 표면을 담고 있는 경로를 따라 보여지고 조명되는 경우에,  쓸모없을 정도로 느린 수렴의 원인이 됩니다.

이 논문에서 우리는 렌더링시 스펙큘러 패쓰을 다루기 위한 새로운 방법인 Manifold Exploration 을 소개합니다. 이는 패쓰들의 세트들이 이미지에 자연스럽게 그 패쓰 공간 내에서 manifolds를 형성하는데 기여하며, 이는 단순한 방정식 반복 풀이를 통해 논리적으로 탐구될 수 있다는 생각에 기반하고 있습니다.

이 논문은 단지 기존에 레이트레이싱 시스템에서 이용가능한 지오메트리 정보를 사용하여 필요한 방정식을 어떻게 공식화 하고 해결하는지를 보여주며, 두 가지 서로다른 마르코프 체인 몬테 카를로 프레임웍에서 일반적인 경로 집합으로부터 정확하게 일루미네이션을 계산하기 위해서 어떻게 이 방법을 사용하는지를 보여줍니다.

그 결과 렌더링 알고리즘은 스펙큘러, 거의 스펙큘러, 글로시, 및 디퓨즈 표면의 상호작용과 등방성 혹은 높은 이방성 볼륨 스케터링 상호작용을 다루는데, 이 모두는 동일한 기본 알고리즘을 사용합니다.

실행은 다양한 도전적인 씬들을 통해 시연되었고, 이전 방법들과 비교하여 평가되었습니다.

On Filtering the Noise from the Random Parameters in Monte Carlo Rendering

몬테카를로 렌더링 시스템은 훌륭한 이미지를 만들어 낼 수 있지만 낮은 샘플링에서는 많은 노이즈를 만들어 냅니다.

이 연구에서는, 몬테 카를로 시스템에서 사용된 무작위 변수들의 직접적인 영향에 의해 나타나는 이미지 영역의 노이즈를 관찰하여 보다 적은 입력 샘플 값으로부터 함수 관계를 추정함으로써 동일한 몬테카를로 노이즈를 만들고자 합니다.

이를 위해서 렌더링 시스템을 블랙박스라고 간주하고 시스템의 입력과 출력 사이의 통계적 종속성을 계산합니다.

그런 다음 몬테카를로 방법에 의해 영향을 받는 샘플 값의 중요도를 감소시키기 위해 이미지 공간에 적용시 이 정보를 사용하여 cross-bilateral 필터를 사용하여 무작위 변수에 의해 나타나는 노이즈만 제거하고 씬의 중요한 디테일은 보존하게 합니다.

샘플 값들 사이의 함수관계를 사용하는 과정과 몬테카를로 노이즈를 필터링 하기 위한 무작위 변수 입력 과정은 무작위 변수 필터링 (RPF) 라고 불리며, 이 방법을 통해서 단지 몇 분만에 수천배나 많은 샘플로 렌더링 된 이미지와 유사한 이미지를 만드는 방법을 설명합니다.

나아가서, 이 알고리즘은 무작위 변수를 위해 어떠한 물리적 의미를 지정하지 않았기 때문에 일반적이며, 몬테카를로 방법의 다양한 효과들(피사계 심도, 에이리어 광원, 모션블러, 패스트레이싱 등을 포함한)에 적용가능 합니다.

여기 이전의 접근법으로 만들어진 것들에 비해 높은 품질을 가지지만 낮은 샘플링율로 만든 스틸 이미지와 애니메이션 시퀀스를 공개합니다.