BSDF重要性烘焙：轻量级神经解决方案对重要性采样常见参数化BSDFs
摘要：参数化双向散射分布函数（BSDFs）由于其灵活性，可以通过简单调整参数来表示各种各样的材质外观而广泛应用。虽然参数化BSDFs的高效评估已经得到了深入研究，但是对于参数化BSDFs的高质量重要性采样技术仍然很少见。现有的采样策略要么严重依赖近似，导致方差很大，要么仅仅对整个BSDF片段的一部分进行采样。此外，许多采样方法都专门与特定类型的BSDFs配对使用。在本文中，我们致力于寻找一种高效且通用的参数化BSDFs重要性采样方法。我们注意到，重要性采样的本质是均匀分布和目标分布之间的映射关系。具体来说，当给定BSDF参数时，执行对BSDF片段的重要性采样的映射可以简单地记录为一个我们称之为重要性图的二维图像。遵循这个观察结果，我们使用一种名为最优传输的数学工具准确地预计算重要性图。然后，我们提出了一个轻量级神经网络来高效压缩预计算的重要性图。通过这种方式，我们将参数化BSDF的重要性采样带入到预计算阶段，避免了繁重的运行时计算。由于这个过程类似于光照烘焙，其中一组图像被预先计算，我们将我们的方法命名为重要性烘焙。结合BSDF评估网络和PDF（概率密度函数）查询网络，我们的方法使得完全多重重要性采样（MIS）无需对渲染流程进行任何修改。我们的方法本质上执行完美的重要性采样。与先前的方法相比，我们展示了在丰富的外观集上渲染结果中降低噪声水平的能力。
作者：Yaoyi Bai, Songyin Wu, Zheng Zeng, Beibei Wang, Ling-Qi Yan
论文ID：2210.13681
分类：Graphics
分类简称：cs.GR
提交时间：2023-02-17