As Simulações de Monte Carlo vêm à tona quando discutimos a renderização de imagens naturais. A renderização de imagens originais, ou, em termos leigos, a criação de “clones” invisíveis de imagens originais, requer amostragem. Uma abordagem razoável e comum para isso é construir escalas de medição individuais que se concentrem em cada fator e combiná-las usando amostragem de valores múltiplos (MIS) para produzir amostras mistas de distribuições funcionais com variância mínima. Porém, para melhorar a precisão, é necessário medir o produto real das características. Esta simples mudança de técnica faz maravilhas, especialmente em situações de luz direta. A importância dos modelos neurais probabilísticos está sendo avaliada agora, e o fluxo normalizado (NF) é uma excelente conquista na transformação de distribuições amostrais. NFs podem ser usados efetivamente em simulações de Monte Carlo. Considerando todas as melhorias importantes que a NF traz, seu caro cálculo não traz milagre, dificultando sua adoção. Este artigo descreve como modelos neurais probabilísticos com composição warp resolvem esse problema.
Pesquisadores da Universidade McGill e da Adobe Research propuseram um novo método de design para amostragem de valor do produto com base em um fluxo geral que consiste em uma deformação da cabeça (representada por um fluxo spline neural) com uma cauda grande. Este estudo apresenta uma nova arquitetura neural baseada em variantes circulares de splines racionais-quadráticas. Finalmente, propõem uma integração conjunta nos atuais sistemas de trabalho para alcançar um desempenho coerente através de um modelo conjunto.
Para compreendermos plenamente este estudo, vamos entender as principais partes desta proposta e como elas formam uma estrutura -:
1) Fluxo normal- uma classe de modelos generativos que podem construir distribuições de probabilidade arbitrárias para distribuições de variáveis usando uma série de transformações bijetivas ou deformações.
2) Deformações – Uma transformação bijetiva que mapeia distribuições de probabilidade entre si. No contexto de renderização, os warps transformam uma distribuição base simples em uma distribuição alvo complexa.
3) Construção de Warp Neural Esta é a proposta principal do artigo, que consiste em duas partes: a urdidura da cabeça e a urdidura da cauda. Head Warp é uma rede neural condicional que mapeia uma distribuição de base uniforme para um meio simples. A distribuição média é aprendida pelo tail warp, que transforma as amostras da mesma na distribuição alvo final
Alcançar um desempenho ideal na amostragem significa gerar amostras cuja distribuição seja igual ao produto das densidades incondicionais e condicionais. A densidade incondicional tem uma forma complexa, como um mapa natural sem sombras, enquanto a última é simples, como o BDRF. Após análise, os pesquisadores perceberam que o processo poderia ser dividido em duas partes, em vez de usar o complexo NF condicional único para atingir a probabilidade alvo. Primeiro, a distribuição é dada usando um NF de cabeça condicional integral (em vez de um NF complexo) e, em seguida, sua saída é colocada em uma distorção de cauda complexa incondicional.
A Composição Neural Warp é combinada com o Mitsuba 3, um conhecido renderizador de rastreamento de frente de onda, para testar o desempenho. Seu desempenho é medido em relação aos principais benchmarks em tempo de renderização igual e tamanho de amostra igual com erro quadrático médio como métrica de desempenho.
A Composição Neural Warp superou os métodos tradicionais na captura de emissores, capturando com eficácia variações de luz sobre superfícies; mesmo com resolução superficial, os histogramas propostos forneceram uma distribuição qualitativa do produto final por uma fração do custo considerado. O modelo de material microfacetado teve melhor desempenho do que métodos tradicionais como MIS e RIS no caso de complexidade concentrada. Ele não conseguiu passar pelo RIS com dureza variável, mas quando um novo experimento foi realizado onde os pesquisadores combinaram a deformação neural e a amostra BRDF com o MIS, algum ruído foi cancelado.
Embora o Neural Warps tenha reduzido bastante a variação na distribuição do produto final ao reduzir custos, vários desafios persistem, como as dificuldades do modelo quando a distribuição dos produtos está concentrada em pequenas regiões. É promissor para trabalhos futuros, e os pesquisadores saem com a promessa de incluir treinamento ponta a ponta dos modelos de material e amostragem e melhorar a eficiência da amostragem para objetos complexos.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso Mais de 50k ML SubReddit
[Upcoming Event- Oct 17 202] RetrieveX – Conferência de recuperação de dados GenAI (promovida)
Adeeba Alam Ansari está atualmente cursando um diploma duplo no Instituto Indiano de Tecnologia (IIT) Kharagpur, cursando B.Tech em Engenharia Industrial e M.Tech em Engenharia Financeira. Com profundo interesse em aprendizado de máquina e inteligência artificial, ele é um leitor ávido e uma pessoa curiosa. Adeeba acredita firmemente no poder da tecnologia para capacitar a sociedade e promover o bem-estar através de soluções inovadoras impulsionadas pela empatia e uma compreensão profunda dos desafios do mundo real.
