改善光泽场景渲染，Facebook利用对偶抽样估计interior积分
利用对偶抽样这种经典的方差缩减技术来有效地估计interior积分
（映维网 2021年09月01日）给定具有完全指定的对象几何结构和光学材质特性的虚拟场景，正向渲染对辐射计探测器的响应进行数值估计。相反，微分渲染侧重于计算辐射探测器响应的导数。
近年来，基于物理的可微渲染理论、算法和系统都取得了重大进展。所以，现在我们可以微分任意场景参数，包括控制全局几何体的参数，例如对象的全局方向或网格顶点的位置。社区已经证明，可微渲染通常相当于估计interior和boundary积分。为了处理boundary项，研究人员提出了诸如蒙特卡罗边缘抽样，普通渲染积分的重新参数化，以及微分路径积分等等。
另一方面，interior积分与正向渲染的积分共享相同的域。为了估计所述项，以前的可微渲染技术依赖于为正向渲染开发的现有随机抽样策略。尽管这对于相对粗糙的场景非常有效，但对于光泽场景，抽样效率可能无法令人满意。
针对这个问题，由美国加州大学、Facebook Reality Labs和瑞典隆德大学组成的团队在一篇论文中介绍了一种全新的蒙特卡罗抽样函数，其利用对偶抽样这种经典的方差缩减技术来有效地估计interior积分。
需要注意的是，本篇论文主要涉及大量专业的方程公式和计算统计，有兴趣的读者请访问《Antithetic Sampling for Monte Carlo Differentiable Rendering》。但简单来说，团队主要是将对偶抽样这一经典的方差缩减技术引入到蒙特卡罗可微渲染中，为单个双向散射分布函数（Bidirectional Scattering Distribution Function；BSDF）和全光传输路径开发了全新的对偶抽样算法，从而允许有效估计光滑表面的几何导数。
研究人员评估了所述技术的有效性，将其与最近的可微渲染算法耦合，并比较了它们在启用和不启用对偶抽样时的性能。
如上图所示，左边是光泽厨具的源图，中间没有启用对偶抽样，而右边则是启用对偶抽样。
上图是开启对偶抽样之后的又一示例，包括相同质量和相同时间的比较。
可以看到，启用对偶抽样后的效果有了一定程度的提升，更适合于光泽场景。
研究人员指出，这项技术适用于大多数可微渲染公式和路径空间可微渲染。具有强光泽交互的虚拟场景在正向渲染中需要高级抽样方法，而通过将基于物理的可微分渲染算法与对偶抽样技术相结合，可以极大地提高处理光泽材质的效率。
相关论文：《Antithetic Sampling for Monte Carlo Differentiable Rendering》
但当然，团队同时承认了所述方法的局限性。例如，由于所述技术侧重于估计interior积分，所以提高光滑材质boundary积分估计的效率是团队的一个重要未来课题。
