k-d Darts: 通过k维度平面搜索进行抽样
摘要：使用k-d darts的概念对函数进行采样。k-d dart是一组独立、互相正交的k维子空间，称为k-d平面。每个dart具有d选择k个平面，为了提高效率与坐标轴对齐。我们展示了k-d darts在探索函数性质方面的用途，例如估计积分或找到高于阈值的示例。我们描述了一种将算法从点采样转换成k-d dart采样的方法，假设函数可以沿着k-d平面进行评估。 我们证明了在高维空间中，k-d darts比逐点采样更高效，取决于采样域的特性，例如感兴趣的子区域体积小且沿平面评估函数不太昂贵。我们通过使用线dart（1-d dart）来展示三个具体的应用：放松的最大泊松盘采样，景深模糊的高质量光栅化以及从响应曲面估计失效概率进行不确定性量化。在这些应用中，线dart在较短的时间内实现了与点dart相同的精度输出。我们还展示了高维dart在体积估计问题中的准确性。在Poisson盘采样中，我们使用的内存大大减少，使得在更高维度上可以生成更大的点云。
作者：Mohamed S. Ebeida, Anjul Patney, Scott A. Mitchell, Keith R. Dalbey, Andrew A. Davidson, and John D. Owens
论文ID：1302.3917
分类：Graphics
分类简称：cs.GR
提交时间：2014-02-12