PBRT中Multiple Importance Sampling的解释

13 篇文章 0 订阅
10 篇文章 1 订阅

原型如下图所示:

假设nf = ng = n。

上式可以写成:

\frac{1}{n}\sum_{i=1}^{n} \frac{f(X_i)g(X_i)w_f(X_i)}{p_f(X_i)}+\frac{1}{n}\sum_{i=1}^{n} \frac{f(Y_i)g(Y_i)w_g(X_i)}{p_g(Y_i)} \\ =\frac{1}{n}\sum_{i=1}^{n}\left (\frac{f(X_i)g(X_i)w_f(X_i)}{p_f(X_i)} + \frac{f(Y_i)g(Y_i)w_g(X_i)}{p_g(Y_i)}\right )         (1)式

由于f(X) g(X) pf(X)我们都知道了,那么我们需要求的实数Wf(X)。

因为nf = ng

上面红框的式子可以写成:

\frac{f(X)g(X)w_f(X)}{p_f(X)} = \frac{f(X)g(X)np_f(X) }{p_f(X)(np_f(X) + np_g(X))} =\frac{f(X)g(X)p_f(X) }{p_f(X)(p_f(X) + p_g(X))}

所以当nf = ng时,wf可以写成:

W_f=\frac{p_f(X)}{p_f(X) + p_g(X)}

再看power heuristic的情况:

同理,按ns = ni时,ws(x)写成:

w_s(x) = \frac{p_s(x)^\beta }{\sum_{i}p_i(x)^\beta }

一般β = 2是一个比较好的值:

w_s(x) = \frac{p_s(x)^2}{\sum _i p_i(x)^2}

应用

如上图,下面一点p,同时受到light的直接光照和场景其他物体的scattering光照影响,利用MIS做贡献估计,

假设nf是bsdf的数量,ng是light的数量,根据power heuristic的公式,

最后的weight可以写成:

w_s = \frac{pdf_s^2}{pdf_s^2 + pdf_l^2} \\ \\ w_l = \frac{pdf_l^2}{pdf_s^2 + pdf_l^2}

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值