相关多重抖动采样技术在图像合成中的应用

"Correlated Multi-Jittered Sampling是一种由Pixar的技术人员Andrew Kensler提出的新的多重抖动采样技术，旨在生成单位正方形上的均匀分布采样点。这种方法在保持低差异性准蒙特卡洛序列的优点的同时，避免了它们可能产生的结构化伪影。它提供了一种高效的实现方式，允许无预计算、无存储需求的情况下，对任何采样集进行可重复的随机访问。此外，这些采样点可以按顺序排列（用于追踪相干光线束）或打乱顺序（用于组合时避免相关性）。 在图像合成技术中，常需要在单位超立方体内生成均匀分布的样本。理想的样本生成方法应该在增加样本数量时最大化方差减少。分层抖动是一种简单、可行且被广泛理解和应用的采样技术。然而，传统的抖动采样可能会导致某些结构化的图案或伪影。 Correlated Multi-Jittered Sampling通过改进抖动策略，使其在增加样本数量时能更有效地减少方差，同时保持采样点之间的相关性较低。与传统的低差异性序列相比，这种方法减少了由于序列结构导致的视觉噪声。例如，低差异性序列（如Halton或Sobol序列）在某些情况下可能会显示出明显的模式，而Correlated Multi-Jittered Sampling则能更好地防止这种问题。 该技术的关键在于其“相关性”的概念。虽然采样点是抖动的，但它们之间存在一种控制下的关联，这种关联性使得采样点在空间中的分布更加均匀，从而在光线追踪和其他基于蒙特卡洛积分的计算中提高图像质量。对于需要顺序处理的场景（如光线束追踪），采样点可以按顺序生成，保持其原有的顺序；而对于需要无关联性的应用，可以通过随机洗牌来破坏这种顺序关系。 在实际应用中，Correlated Multi-Jittered Sampling的高效实现允许实时生成和访问采样点，这对于计算密集型的图形渲染任务尤其重要。由于不需要预先计算或存储采样点，这大大降低了内存需求和计算开销。 Correlated Multi-Jittered Sampling是一种兼顾效率和效果的采样技术，它在保持低差异性优点的同时，解决了传统方法中可能出现的结构化伪影问题，对于提升计算机图形学中的图像质量和渲染速度具有重要意义。"