İlişkili örnekler Monte Carlo oluşturucunun davranışını nasıl etkiler?


18

Monte Carlo veya çift yönlü yol izleme gibi Monte Carlo görüntü oluşturma yöntemlerinin çoğu açıklaması, numunelerin bağımsız olarak üretildiğini varsayar; yani, bağımsız, muntazam dağıtılmış sayıların bir akışını üreten standart bir rastgele sayı üreteci kullanılır.

Bağımsız olarak seçilmeyen numunelerin gürültü açısından faydalı olabileceğini biliyoruz. Örneğin, tabakalı örnekleme ve düşük tutarsızlık dizileri, oluşturma sürelerini neredeyse her zaman iyileştiren ilişkili örnekleme şemalarının iki örneğidir.

Bununla birlikte, örnek korelasyonunun etkisinin net olmadığı birçok vaka vardır. Örneğin, Metropolis Hafif Ulaşım gibi Markov Zinciri Monte Carlo yöntemleri , bir Markov zinciri kullanarak ilişkili örneklerin bir akışını üretir; çok ışıklı yöntemler , birçok kamera yolu için küçük bir ışık yolu kümesini yeniden kullanır ve birçok ilişkili gölge bağlantı oluşturur; foton haritalama bile verimliliğini birçok pikselde ışık yollarını yeniden kullanarak elde eder ve örnek korelasyonunu da (taraflı bir şekilde olmasına rağmen) arttırır.

Tüm bu oluşturma yöntemleri belirli sahnelerde faydalı olabilir, ancak diğerlerinde işleri daha da kötüleştiriyor gibi görünmektedir. Farklı oluşturma algoritmalarına sahip bir sahne oluşturmak ve birinin diğerinden daha iyi görünüp görünmediğini gözetlemekten başka, bu tekniklerin getirdiği hata kalitesini nasıl ölçeceğiniz açık değildir.

Soru şu: Örnek korelasyon, Monte Carlo tahmincisinin varyansını ve yakınsamasını nasıl etkiler? Hangi tür örnek korelasyonun diğerlerinden daha iyi olduğunu bir şekilde matematiksel olarak belirleyebilir miyiz? Örnek korelasyonun faydalı mı yoksa zararlı mı olduğunu etkileyebilecek başka hususlar var mı (örneğin, algısal hata, animasyon titremesi)?


1
Hangi görüntünün daha gerçek göründüğünü söyleyemeyeceğimizi söyleyen yeterli algılama çalışmaları psikolojisi vardır. göz küresi kullanmak korkunç bir ölçüm yöntemi olacaktır.
v.oddou

Yanıtlar:


8

Yapılması gereken önemli bir ayrım var.

Markov Zinciri Monte Carlo (Metropolis Hafif Ulaşım gibi) yöntemleri, çok sayıda yüksek derecede korelasyon ürettiklerini tam olarak kabul eder, aslında algoritmanın omurgasıdır.

Öte yandan Çift Yönlü Yol İzleme, Birçok Işık Yöntemi, Foton Haritalama gibi kritik rolün Çok Önem Örneklemesi ve denge sezgiselliği gibi algoritmaları vardır. Denge sezgisinin en uygunluğu yalnızca bağımsız numuneler için kanıtlanmıştır. Birçok modern algoritma örnekleri ilişkilendirmiştir ve bazıları için bu sorunlara neden olur ve bazıları için değildir.

İlişkili örneklerle ilgili sorun, Çift Yönlü Yol Takibi için Olasılıksal Bağlantılar makalesinde kabul edilmiştir . Nerede korelasyonu hesaba katmak için denge sezgisel olarak değiştikleri. Sonucu görmek için makaledeki şekil 17'ye bakınız.


Korelasyonun "her zaman" kötü olduğunu belirtmek isterim. Yapabileceğinizden daha yeni bir örnek yapmayı göze alabiliyorsanız. Ancak çoğu zaman bunu karşılayamazsınız, bu nedenle korelasyondan kaynaklanan hatanın küçük olduğunu umarsınız.

"Always" i açıklamak için düzenleyin : Bunu MC entegrasyonu bağlamında kastediyorum resim açıklamasını buraya girin

Hatayı tahmin edicinin varyansı ile ölçtüğünüz yer resim açıklamasını buraya girin

Örnekler bağımsız ise, kovaryans terimi sıfırdır. İlişkili örnekler her zaman bu terimi sıfırdan farklı yapar, böylece son tahmincinin varyansı artar.

Tabakalı örnekleme ile karşılaştığımız şey bu ilk bakışta biraz çelişkilidir çünkü tabakalaşma hatayı azaltır. Ancak tabakalı örneklemenin sadece olasılıklı bakış açısından istenen sonuca dönüştüğünü kanıtlayamazsınız, çünkü tabakalı örneklemenin özünde herhangi bir olasılık yoktur.


Tabakalı örnekleme ile ilgili anlaşma, temelde bir Monte Carlo yöntemi olmamasıdır. Tabakalı örnekleme, düşük boyutlu düzgün fonksiyonu entegre etmek için harika çalışan sayısal entegrasyon için standart kareleme kurallarından gelir. Bu nedenle düşük boyutlu bir problem olan doğrudan aydınlatmayı işlemek için kullanılır, ancak düzgünlüğü tartışılmazdır.

Bu nedenle tabakalı örnekleme, birçok Işık yönteminde örneğin korelasyondan henüz farklı bir korelasyon türüdür.


"Korelasyonun" her zaman "kötü olduğunu belirtmek isterim. Eğer ondan daha yeni bir örnek üretmeyi göze alabiliyorsanız." Açıklayabilir misiniz? Bana göre bu, örnek dağıtımı için herhangi bir sezgisel tarama gibi görünüyor, bu muhtemelen söylemek istediğiniz şey değil.
David Kuri

Cevabı düzenledim, umarım bir iki şey temizlenir.
tom

gerçekten çelişkili hissettiriyor, ancak tabakalı örneklemenin hatayı azalttığını söyleyemem, sadece gürültüyü azaltır.
v.oddou

4

Yarım küre yoğunluk fonksiyonu, yani gelen ışığın yarım küre fonksiyonu BRDF ile çarpılarak katı açı başına gereken örnek sayısı ile ilişkilidir. Herhangi bir yöntemin örnek dağılımını alın ve bu yarım küre fonksiyonuyla karşılaştırın. Ne kadar benzer olursa, yöntem o durumda o kadar iyi olur.

Bu yoğunluk işlevi tipik olarak bilinmediği için , tüm bu yöntemlerin sezgisel tarama kullandığını unutmayın. Buluşsal yöntemlerin varsayımlarına uyulursa, dağılım rastgele bir dağılımdan daha iyidir (= istenen işleve daha yakın). Değilse, daha kötü.

Örneğin, önemli örnekleme, örnekleri dağıtmak için BRDF'yi kullanır; bu basittir ancak yoğunluk işlevinin yalnızca bir kısmını kullanır. Sığ bir açıda dağınık bir yüzeyi aydınlatan çok güçlü bir ışık kaynağı, etkisi hala büyük olsa da, birkaç örnek alır. Metropolis Hafif Taşımacılığı, öncekilerden yüksek yoğunluklu yeni örnekler üretir, bu da birkaç güçlü ışık kaynağı için iyidir, ancak ışığın her yönden eşit olarak ulaşması yardımcı olmaz.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.