Efficient Sample Reusage in Path Space for Real-Time Light Transport

Abstract

I denne oppgaven undersøker vi ulike eksisterende løsninger for sanntidssimulering av global belysning. Nærmere bestemt, ser vi på problemstillingen rundt det å beregne mengden av direkte belysning i virtuelle scener med tusenvis, og til og med millioner, av lysemitterende objekter. Effektiv utvelging av mange lys er et komplekst problem som også oppstår i offline rendering---det vil si, uten hensyn til sanntidsbegrensninger. Mange av problemene som oppstår kommer av vanskelighetene rundt det å effektivt bestemme hvilke lys som bidrar mest til gitte områder av scenen.

For å ta tak i disse problemene foreslår vi i denne oppgaven en utvidelse til den nåværende state-of-the-art algoritmen, ReSTIR. I motsetning til ReSTIR, vil vår algoritme, Path Space Importance Resampling (PSIR), i tillegg trekke et tilfeldig utvalg av lyskandidater fra en hashtabell som lagrer dem i “path space”. Hashtabellen er konstruert ved å diskretisere punktene i path space til “voxler” av dynamiske størrelser. Dermed kan vi utføre stokastisk innsetting av lysdata, med sannsynligheter basert på lysenes forventede bidrag. Følgelig kan det betraktes at datastrukturen utfører en uordnet gruppering av lysene inn i lokale grupper, hvilket fasiliterer for effektiv filtrering av fjerne og svake lys.

Vi tester vår algoritme og sammenlikner den med ReSTIR. Resultatene viser at vår algoritme konsekvent oppnår bedre eller like resultater som ReSTIR---både kvantitativt og kvalitativt. Imidlertid ser vi i de fleste tilfeller at forskjellene mellom de to algoritmene er relativt minimale. Riktignok ser vi også at PSIR har en ytelseskostnad som, blant annet, avhenger av scene kompleksiteten, skjermstørrelsen og antallet lys i scenen.

In this thesis, we investigate the current state of real-time global illumination techniques. Specifically, we look at the problem of computing the direct lighting in virtual scenes with thousands, and even millions, of emissive objects. Efficient many-light sampling is an intricate problem that remains even in offline rendering---that is, without the real-time constraints. Many of the problems stem from the difficulties of efficiently determining which lights that contribute the most at given points.

To address this, we propose an algorithm that extends the current state of the art, ReSTIR. In contrast to ReSTIR, our algorithm, Path Space Importance Resampling (PSIR), additionally samples its candidates from a hash table that stores light samples in path space. The hash table is constructed by discretizing the path space vertices into voxels of dynamic size. Subsequently, we insert lights stochastically into the hash table based on each light's expected contribution. Accordingly, the data structure performs an unordered grouping of lights into local pools, which facilitates effective filtering of distant and weak lights.

We test our algorithm and compare it against ReSTIR. The results show that our algorithm consistently outperforms or equals ReSTIR, both qualitatively and quantitatively. However, in most cases, we see that the differences between the results are relatively minimal. Nonetheless, we also see that PSIR comes at a performance cost depending on the scene complexity, screen resolution, and the number of lights in the scene.