Utilisation efficace des échantillons dans le rendu photo-réaliste

Efficient Sample Usage in Photo-Realistic Rendering

• Auteur / Autrice : Sunrise Wang
• Direction : Nicolas Holzschuch
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/03/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble)
• Jury : Président / Présidente : Valérie Perrier
• Jury : Examinateurs / Examinatrices : Beibei Wang, David Coeurjolly
• Jury : Rapporteurs / Rapporteuses : Kartic Subr, Tamy Boubekeur

Mots clés

Mots clés contrôlés

Monte-Carlo, Méthode de

Radiosité

Mots clés libres

Illumination globale

Monte Carlo

Matrix Completion

Global illumination

Monte Carlo

Matrix Completion

Résumé

Le rendu d'images photo-réalistes d'une scène virtuelle nécessite la simulation de la façon dont la lumière interagit avec elle. Cela nécessite généralement un grand nombre d'échantillons détaillant la radiance reçue et sortante entre les surfaces. Comme il s'agit d'un processus coûteux, il est important d'être efficace avec ces informations. Cette thèse explore deux domaines différents pour cela. Le premier est le Low-Rank Matrix Completion problème, qui cherche à combler les entrées manquantes d'une low-rank matrice partiellement observée. Nous appliquons cela au Many-Lights problème, un problème d'éclairage direct qui implique le rendu de scènes avec un grand nombre de lumières. Ce problème est particulièrement adapté à la low-rank matrix completion, parce que sa formulation matricielle s'avère être approximativement de low-rank. Nous proposons une version modifiée de l'algorithme de Adaptive Matrix Completion, que nous appelons la complétion de matrice adaptative booléenne, pour réduire le nombre de calculs de visibilité entre les lumières et les surfaces, permettant des rendus nettement plus rapides des images finales. Le deuxième domaine que nous étudions est la réutilisation efficace des échantillons de Monte-Carlo lorsque la mesure de probabilité a changé. Ceci est important car la combinaison naïve d'échantillons tirés de différentes distributions de probabilité peut conduire à une variance plus élevée, voire à un biais. Nous proposons une méthode hybride, que nous appelons Reweighting-Augmentation, qui vise à résoudre ce problème. Nous étudions cette méthode dans deux domaines d'application différents. Le premier est progressive path tracing avec des caméras animées, où la distribution d'échantillonnage change sur les surfaces brillantes en raison d'un changement dans la direction de l'incident. Le second est l'algorithme Practical Path Guiding, dans lequel les distributions d'échantillonnage changent à mesure que la fonction d'éclairement énergétique d'une scène est apprise de manière itérative. Nous avons constaté que notre méthode proposée a montré des résultats prometteurs pour le premier, permettant une variance réduite dans les images générées finales. Bien que nous n'ayons pas obtenu de résultats positifs pour ce dernier, nous pensons que le problème doit encore être approfondi et qu'il y a lieu de rester positif.

Rendering photo-realistic images of a virtual scene requires the simulation of how light interacts with it. This typically requires a large number of samples detailing the received and outgoing radiance between surfaces. As this is an expensive process, it is important to be efficient with this information. This thesis investigates two different areas for this. The first is the Low-Rank Matrix Completion problem, which looks to fill in the missing entries of some partially observed low-rank matrix. We apply this to the Many-Lights problem, a direct lighting problem that involves rendering scenes with large numbers of lights. This problem is particularly suited to Low-Rank Matrix Completion as the matrix formulation of it is shown to be approximately low-rank. We propose a modified version of the Adaptive Matrix Completion algorithm, which we term Boolean Adaptive Matrix Completion, to reduce the number of visibility computations between lights and surfaces, allowing significantly faster renderings of the final images. The second area we investigate is the efficient reuse of Monte-Carlo samples when the probability measure has changed. This is important as naively combining samples taken from different probability distributions can lead to higher variance, or even bias. We propose a hybrid method, which we term Reweighting-Augmentation, which aims to address this. We investigate this method in two different application areas. The first is progressive path tracing with animated cameras, where the sampling distribution changes on glossy surfaces due to a change in the incident direction. The second is the Practical Path Guiding algorithm, where sampling distributions change as the irradiance function of a scene is iteratively learned. We found that our proposed method showed promising results for the former, allowing for reduced variance in the final generated images. Although we did not obtain positive results for the latter, we believe that the problem should still be investigated further and there is reason to remain positive.