[论文解读] Reversible Jump Metropolis Light Transport using Inverse Mappings

Benedikt Bitterli, Wenzel Jakob+2 more|arXiv (Cornell University)|Apr 22, 2017

Visual perception and processing mechanisms参考文献 5被引用 3

一句话总结

本文提出了一种新型马尔可夫链蒙特卡洛渲染方法——可逆跳跃元蒙特卡洛光线传输（RJMLT），该方法利用逆采样技术在不改变路径几何结构的前提下，在不同光线传输采样策略之间进行转换。通过在可逆跳跃马尔可夫链蒙特卡洛（RJMCMC）框架内制定扰动，RJMLT相较于现有方法（如MMLT）实现了更高的接受率、更优的时间相干性、更少的伪影以及更快的收敛速度。

ABSTRACT

We study Markov Chain Monte Carlo (MCMC) methods operating in primary sample space and their interactions with multiple sampling techniques. We observe that incorporating the sampling technique into the state of the Markov Chain, as done in Multiplexed Metropolis Light Transport (MMLT), impedes the ability of the chain to properly explore the path space, as transitions between sampling techniques lead to disruptive alterations of path samples. To address this issue, we reformulate Multiplexed MLT in the Reversible Jump MCMC framework (RJMCMC) and introduce inverse sampling techniques that turn light paths into the random numbers that would produce them. This allows us to formulate a novel perturbation that can locally transition between sampling techniques without changing the geometry of the path, and we derive the correct acceptance probability using RJMCMC. We investigate how to generalize this concept to non-invertible sampling techniques commonly found in practice, and introduce probabilistic inverses that extend our perturbation to cover most sampling methods found in light transport simulations. Our theory reconciles the inverses with RJMCMC yielding an unbiased algorithm, which we call Reversible Jump MLT (RJMLT). We verify the correctness of our implementation in canonical and practical scenarios and demonstrate improved temporal coherence, decrease in structured artifacts, and faster convergence on a wide variety of scenes.

研究动机与目标

• 解决多路复用元蒙特卡洛光线传输（MMLT）中因采样策略切换时路径发生剧烈变化而导致的不稳定与低接受率问题。
• 在主样本空间马尔可夫链蒙特卡洛渲染中，实现局部且保持几何结构的采样策略间转换。
• 构建一个基于可逆跳跃马尔可夫链蒙特卡洛的数学严谨框架，确保细致平衡性与无偏采样。
• 通过概率逆映射将逆采样方法推广至非可逆技术，从而扩展其在真实渲染场景中的适用性。
• 在具有焦散、次表面散射和硬边阴影的复杂场景中，提升时间相干性与收敛速度。

提出的方法

• 将MMLT重新表述于可逆跳跃马尔可夫链蒙特卡洛（RJMCMC）框架内，以实现采样策略间维度一致的转换。
• 引入逆采样函数，将光线路径映射回生成它的随机数，从而实现保持路径几何结构的扰动。
• 利用RJMCMC细致平衡条件推导出正确的接受概率，即使在非可逆转换下也能确保无偏采样。
• 为非可逆采样方案（如拒绝采样、Box-Muller变换）构建概率逆映射，使该方法可适用于实际渲染流水线。
• 采用样本雅可比行列式量化路径对随机数扰动的敏感度，从而实现自适应步长控制。
• 支持新型扰动机制，可在路径空间与主样本空间之间切换，结合两种框架的优势。

实验结果

研究问题

• RQ1 可逆跳跃马尔可夫链蒙特卡洛能否有效应用于光线传输渲染，以实现采样策略间的平滑过渡？
• RQ2 如何构建逆映射，以恢复生成给定光线路径的随机数，即使对于非可逆采样技术亦可实现？
• RQ3 在主样本空间马尔可夫链蒙特卡洛中，不同采样策略间转换的正确接受概率是什么？
• RQ4 与MMLT和PSSMLT相比，所提方法能否减少结构化噪声并提升时间相干性？
• RQ5 逆映射与雅可比行列式如何影响马尔可夫链蒙特卡洛渲染中的混合速率与收敛性？

主要发现

• RJMLT通过避免采样策略切换时的路径几何剧烈变化，显著提升了接受率，优于MMLT。
• 该方法减少了时间不稳定性与结构化伪影，尤其在具有焦散、硬边阴影和复杂材质的场景中表现更优。
• 在厨房场景中，RJMLT消除了MMLT渲染中出现在锅具与切菜板上的明显条纹。
• 在起居室场景中，RJMLT减少了MMLT结果中出现的条纹状反射与硬边阴影。
• 在浴室场景中，RJMLT正确渲染了MMLT中缺失或位置错误的焦散效果。
• 在一杯水场景中，RJMLT相比MMLT表现出更少的斑驳噪声，收敛更快，视觉一致性更优。