Robust Light Transport Simulation via Metropolized Bidirectional Estimators

文章转自：http://thegibook.com/rmse/
版权归原作者。

2016年SIGGRAPH Asia上最感兴趣的莫过于这篇Robust Light Transport Simulation via Metropolized Bidirectional Estimators，看标题就很牛逼：原本比较独立的光线追踪两大经典算法BPT和MLT合体了！这里简要描述下这篇论文的思路：

传统上我们认为光线追踪有三大基础算法：BPT，PM和MLT，它们都是相对比较独立的，因为它们各自采用不同形式的光照公式，例如BPT的路径积分形式，PM的范围估计，MLT则是将整个图像看成一个分布，这些看起来都是完全独立的。然而它们各自都有优缺点，好的想法是能不能把它们组合起来。

例如BPT的缺点是不能处理SDS，PM的缺点是处理diffuse表面不如BPT，MLT由于抽样点的相关性导致处理高光表面很低效，因为Markov chain始终在高频尖锐的部分徘徊，从整个图像上看stratification不够好；

2012年的VCM/UPS算法是一个很大的突破，它开始尝试将BPT和PM结合起来，使用PM对light subpath采样，并且将算法统一到BPT中，这样BPT就可以有效处理SDS。近几年中VCM/UPS几乎成了现在主流的离线渲染解决方案（参见The Path to Path-Traced Movies这篇论文）；

然而VCM/UPS的缺点是，因为它仍然是BPT的思路，eye subpath并不知道light subpath的情况，所以尽管它能处理SDS，但是两个subpath连接的时候形成的很多full path由于可见性（尤其对于复杂visibility的场景）而对光照贡献率很低，而MLT则很擅长处理Visibility的问题，所以这篇论文就基于VCM/UPS来使用MLT对light subpath进行采样，这样保证了两个subpath之间的连接更符合最终图像分布。这篇论文也就同时把BPT，PM和MLT三大基础算法组合在了一起！

具体做法就是，首先使用传统MC在图像平面生成eye subpaths，这里不使用MCMC产生eye subpath的原因是MLT在图像平面（image plane）的stratification不好；然后从这些eye subpath的位置开始产生Markov chain来产生light subpath（所以MLT在这里是用来产生一个subpath分布而不是整个图像分布）。这样整个算法能处理高光和复杂Visibility这两大难题的场景。

论文下载：http://www.ci.i.u-tokyo.ac.jp/~hachisuka/