← 全部标签
# 降噪
2 篇页面
页面
图形学可微渲染与神经渲染Differentiable & Neural Rendering逆向渲染 (inverse rendering) 要从图像反推场景参数 \mathbf x（形状、材质、光照……），通常写成优化问题 \mathbf x^=\arg\min{\mathbf x}g(f(\mathbf x))，其中 f 是渲染器，g 是损失函数。参数维度可达数百万，只能用梯度下降，因此需要可微渲染 (differentiable rendering)：不构造巨大的雅可比矩阵，直接计算"图像空间梯度 × 雅可比"这一向量-矩阵乘积。难点是可见性造成的不连续、反向模式的内存开销和导数积分的采样。机器学习与渲染的结合可分三类：用学习得到的数据结构替换传统数据结构、用神经网络改进传统渲图形学随机光线追踪与路径追踪Stochastic Ray Tracing & Path Tracing光线追踪用投射光线同时解决可见性问题和光照问题。GEA 从最简单的"眼睛光线 + 着色方程"讲起，逐步加入阴影光线、透射光线、用蒙特卡洛估计渲染方程的随机光线追踪、递归间接光照，再到每次只走一条路径的路径追踪、双向路径追踪和 Metropolis 光传输，最后讨论降噪与光线投射效率（GEA4 卷 II 12.6.3–12.6.5）。