Recent Advances in Adaptive Sampling and Reconstruction for Monte Carlo Rendering

Abstract

Monte Carlo integration is firmly established as the basis for most practical realistic image synthesis algorithms because of its flexibility and generality. However, the visual quality of rendered images often suffers from estimator variance, which appears as visually distracting noise. Adaptive sampling and reconstruction algorithms reduce variance by controlling the sampling density and aggregating samples in a reconstruction step, possibly over large image regions. In this paper we survey recent advances in this area. We distinguish between "a priori" methods that analyze the light transport equations and derive sampling rates and reconstruction filters from this analysis, and "a posteriori" methods that apply statistical techniques to sets of samples to drive the adaptive sampling and reconstruction process. They typically estimate the errors of several reconstruction filters, and select the best filter locally to minimize error. We discuss advantages and disadvantages of recent state-of-the-art techniques, and provide visual and quantitative comparisons. Some of these techniques are proving useful in real-world applications, and we aim to provide an overview for practitioners and researchers to assess these approaches. In addition, we discuss directions for potential further improvements.

Selective application of Metropolis Light Transport for hard sampling illumination phenomena

“…Наиболее полный обзор можно найти в [39]. Остановимся на некоторых работах, идеи которых в той или иной мере коррелируют с данной статьёй.…”

“…Остановимся на некоторых работах, идеи которых в той или иной мере коррелируют с данной статьёй. Следуя классификации из [39], все методы области Sampling and Reconstruction делятся на априорные и апо-стериорные. Априорные методы строят адаптивные стратегии сэмплирования, помещая больше сэмплов в более сложные области изображения.…”

“…Следует сказать, что, несмотря на достаточно высокую степень развитости, большинство априорных методов, рассматриваемых в [39], не могут быть использованы для построения эффективных алгоритмов ренде-ринга. Причина этого исходит из того факта, что они используют один базовый алгоритм расчёта.…”

“…В [41] отмечается, что для более высокой размерности воз-никнут проблемы, которые ещё только предстоит решить. С другой стороны, в [39] говорится, что многомерный адаптивный подход из работы [41] обладает ограниченной эффективностью, т. к. он агностический, т. е. никак не привя-зан к конкретным эффектам и феноменам освещённости. Чтобы подвести итог по методам адаптивного сэмплирования, следует сказать, что все упомянутые ранее MCMC методы решают задачу адаптивного сэмплирования автоматиче-ски.…”

Adaptive Rendering Using a Best Matching Patch

“…Based on sparse linear models, Moon et al [6] estimated the prediction errors introduced by models with different windows, and they selected the optimal window to reconstruct pixel value. To see recent advances in Monte Carlo rendering, Zwicker et al [26] gave a detailed description.…”