Superresolutionを忘れて、適応的サンプリング (パストレース)

実時間のパストレースは、収集量が一ピクセル当たり1サンプル以下にまで極めて低くなるように動作すること increasinglyなおり、そしてこれらの理由により、レンダリングの複雑さ、解像度とフレームレートの要件がますます増大しています。 超解像はプロデュースで広く利用されていますが、これを全てのスパースなルーチンにおいて空間的な詳細性を無視し、画像全体で騒音、再構築し難さおよび心理的な重要性的さとを破棄します。 ステンレスサンプリングは優れた代替戦略ですが、現在のエンデツーインドエンドのアプローチは近似を与え、収集量が少ない状況において崩壊します。 我たちは次のようにいうことで、超解像のことを忘れ、適応的サンプリングと処理を導入しました。 我たちの方法はサンプリング決定を行ったままステイショナリの形式で実装し直したからであるので、サンプリング決定は離散型です。しかし、グレーデーション推定が可能だったためでした。つまり低収集量でのニューラルサンプラッタをすりおろすことの可能を私たち方法によって、私たちは低収集量で訓練しやすかったためでした。 従来のトレーニングは人間の視覚と比較する際に歪な結果となってしまいますから、我々は調色用のトレーニングpipelineを導入しました。このpipelineは異なる可能なフィルムオペレータ及び最新の心理的損失を使用し、収集量が少ない場所には過剰により配られるものを防ぎますことになります。 もしあなたが適応化するサンプリングを行う場合でもさらに簡略化が必要でしたので、私たちはギュアルとピラミッド用のデノイニングフィルタを導入しました。これとは別に、収集量が少ない領域に対して適応的にアルベドの減衰関数を持つことが学習されるように設計したためです。 当方の結果からしても私たちは圧倒的でない最小の収集量でも改善する能力に確信できますし、特に specular highlightsと影境界などの心理的な重要な詳細を再構築するためにはこれが可能です。そのため適応的にサンプリングを行う方法が適切であることが示されました。

arXiv:2602.08642v1 Announce Type: new Abstract: Real-time path tracing increasingly operates under extremely low sampling budgets, often below one sample per pixel, as rendering complexity, resolution, and frame-rate requirements continue to rise. While super-resolution is widely used in production, it uniformly sacrifices spatial detail and cannot exploit variations in noise, reconstruction difficulty, and perceptual importance across the image. Adaptive sampling offers a compelling alternative, but existing end-to-end approaches rely on approximations that break down in sparse regimes. We introduce an end-to-end adaptive sampling and denoising pipeline explicitly designed for the sub-1-spp regime. Our method uses a stochastic formulation of sample placement that enables gradient estimation despite discrete sampling decisions, allowing stable training of a neural sampler at low sampling budgets. To better align optimization with human perception, we propose a tonemapping-aware training pipeline that integrates differentiable filmic operators and a state-of-the-art perceptual loss, preventing oversampling of regions with low visual impact. In addition, we introduce a gather-based pyramidal denoising filter and a learnable generalization of albedo demodulation tailored to sparse sampling. Our results show consistent improvements over uniform sparse sampling, with notably better reconstruction of perceptually critical details such as specular highlights and shadow boundaries, and demonstrate that adaptive sampling remains effective even at minimal budgets.