Các phương thức sử dụng gradient đang trở nên ngày một quan trọng hơn cho các lĩnh vực đồ họa máy tính, machine learning, và thị giác máy tính. Trong đó, khả năng xử lý gradient là thiết yếu trong các việc tối ưu hóa, giải quyết các bài toán ngược, cũng như deep learning.

Trong render thì gradient lại cần thiết đối với các biến như thông số camera, nguồn sáng, hình học không gian, cũng như hình thức vật liệu. Tuy nhiên, việc xử lý các gradient trong render lại khá khó khăn, do việc tích phân render sẽ dùng tới một vài giới hạn tầm nhìn mà rất khó để phân biệt. Trong khi đó, các công trình trước đây về render khả vi lại thường chỉ tập trung vào một số giải pháp xấp xỉ, chưa đúng hoàn toàn. Những giải pháp này thường không xử lý được các ảnh hưởng phụ như bóng, sự chiếu sáng tổng thể, hoặc chỉ cung cấp gradient phù hợp với biến số là tọa độ pixel.

Do đó, bài báo sẽ giới thiệu một phương pháp dò tia khả vi đa năng, mà theo nghiên cứu, là giải pháp tổng thể đầu tiên, cho phép xử lý các đạo hàm vô hướng trên một hình ảnh đã qua render, trong khi vẫn cân nhắc tới các thông số cảnh dễ biến đổi như dáng trước camera, hình học không gian, vật liệu, và thông số về ánh sáng.

Chìa khóa của phương thức này là một thuật toán edge sampling mới, với khả năng lấy mẫu (sample) các hàm delta Dirac phát sinh từ các đạo hàm bị tích đứt quãng. Ngoài ra, bài báo cũng phát triển thêm các phương pháp lấy mẫu quan trọng hiệu quả, dựa trên các thứ bậc không gian. Phương thức này có thể tổng hợp gradient trong những khoản thời gian từ vài giây tới vài phút, tùy thuộc vào độ phức tạp của cảnh, hoặc vào độ chính xác mong muốn.

Phương pháp dò tia khả vi này sử dụng thư viện deep learning PyTorch, đồng thời cho thấy các ứng dụng thử nghiệm về render ngược và tổng hợp ví dụ về các mạng nơ-ron đối kháng.

Xem thêm tại ĐÂY.

Tin liên quan: