24年秋有趣的渲染相关论文

一系列论文。

From microfacets to participating media: A unified theory of light transport with stochastic geometry

DARIO SEYB, EUGENE D’EON, BENEDIKT BITTERLI, WOJCIECH JAROSZ

一篇神奇的论文¹，SIGGRAPH 2024 Best Paper之一。大致内容是使用高斯过程（Gaussian Process，GP）描述物体并提出了基于这套表述的光追算法。通俗描述就是，使用R³->R的函数f的f(x)=0的解集描述表面（类似SDF），然后用f这个函数的分布来描述场景（实际上得满足GP的相关需求，没这么General）。

这套GP描述被作者称为GPIS（Gaussian Process Implicit Surface），能够统一地表示散射介质（Participating Media）、微表面模型材质（Micro-surface）的物体以及镜面材质物体，能各向异性，还可以在三者之间随便插值。实际上作者认为GPIS是一套更加General的表示方式，论文后半段展现了GPIS能“向下兼容”渲染出于Beckmann+Smith建模的微面材质一致的效果，也能渲染与经典Phase Function + Null Scatter建模的散射介质一致的结果。作者的框架也支持非静态的（Non-stationary，k(x, y)≠k(x+Δ,y+Δ)）GP协方差函数，在处理静态（Stationary）协方差函数的GP时能使用Weight-space sampling加速。作者还探索了一些有趣的东西（比如给体积雾GPIS加先验来控制其形状）。由于渲染算法大量依赖带先验的GP采样和类似ray-marching的光追方法，性能很烂，但这也是没办法的事情。

非常好论文，数学使我头晕。

神奇的采样方式：Weight Space Sampling²，能带条件从stationary kernel GP中采样函数。大致过程就是对GP kernel做傅里叶变换，然后当成非标概率密度采样一系列傅里叶基，用这些基函数分解GP函数的话，它们的权重会符合一个联合高斯分布，均值和协方差都能从先验和kernel的傅里叶变换算。此时再采样这些权重，就能得到一个基函数分解作为GP中函数的采样。
宏观的Non-stationary感觉没啥用啊，但论文团队之前好像还发过一篇Non-exponential散射介质渲染的文章（18年），貌似大气的某些属性会导致光路上的多个散射点出现宏观的相关性，感觉很神奇，不懂。

Relightable 3D Gaussian: Real-time Point Cloud Relighting with BRDF Decomposition and Ray Tracing

Jian Gao, Chun Gu, Youtian Lin, Hao Zhu, Xun Cao, Li Zhang , Yao Yao
Nanjing University, Fudan University
南大和复旦的论文³，大致是做了个微调3DGS模型与推算材质参数的方法，同时用点云追踪算Visibility做了光照。论文好像是通过一个深度监督，通过一个最小化深度方差目标来优化3DGS，让它们都能排布到几何表面。然后它们还搞了个可微的PBR材质渲染器和点云追踪搞到的Visibility做单环境光下的直接光照。环境贴图和间接光照是直接当成参数优化出来的。

Relighting 3DGS铺路工作之一。和GS-IR⁴的光栅烘焙Occlusion Probe Volume不同，它应该是第一个将光追（虽然是软光追）带进3DGS Relighting的工作。

参考文献