GI-1.0 - A Fast Scalable Two-Level Radiance Caching Scheme for Real-Time Global Illumination

1 Summary

2 GI-1.0

对于实时渲染，尽管是在目前的高端显卡上，也只能支持每像素很少的样本数量。本文提出的全局光照管线，通过设计的两级radiance cache，在空间、时间上复用样本的光照信息，如下图所示：

  • screen cache：将primary path上顶点的入射radiance缓存到直接可见表面上的probe中，具有精细的光照表示。
  • world cache：缓存了secondary path上顶点的出射radiance，相比于screen cache，不够精细但具有稳定和持久的优点。
image-20240412142048484

基于这两级radiance cache，本文提出的GI管线可以提以 1/4 spp 的采样率实现高保真的直接与间接光。

2.1 Screen Cache

screen cache 是基于screen probe的实现，本章节会介绍如何将screen probe稀疏地生成在像素上；如何在帧间管理cache数据结构的完整性；以及如何应用 filtering 启发式策略来确保光照在任意距离下的时序稳定性。

与 [2] 一样，在半球面入射的radiance会以八面体映射[3]的方式编码到 8x8 单元的地图集中。

2.1.1 Temporal Upscale

前面提到，screen probe 只能在屏幕像素上稀疏地生成。在本文提出的方法中，screen probe的生成分摊在多帧。先预设屏幕多大tile放置一个probe，每帧生成不同tile的probe，然后通过重投影复用历史帧的probe，最终几帧后达到覆盖屏幕的全部 tile，即 upscale 到全分辨率。upscale 系数决定了采样率，可以作为性能与质量的权衡。本文的实现中选择使用一个 probe 来编码一个大小为 $8\times 8$ 的 tile 的半球radiance信息，同时每个probe分辨率为 $8\times 8$。因此，这里可以将生成screen probe的tile大小定义为 $8\cdot (upscale_x, upscale_y)$ ，其中 $upscale_x$、$upscale_y$ 分别表示 X、Y 上的时序 upscale 量，越大意味着需要更多帧达到全分辨率。

在为每个tile生成一个screen probe时，作者使用 Halton 低差异序列在 tile 内抖动选择一个像素作为生成位置。当 upscale 选择 $(2,2)$​ 时，则需要4帧能够达到完全填充，即每个tile至少具有一个probe，如图 Fig-2 所示。

这里的说法有点冲突。Halton序列应该是将spawn tile划分成立 upscale_x * upscale_y 份，每次在其中一份（probe grid/tile）中抖动生成一个probe

image-20240412152316538
Fig-2: 图中将不存在probe的tile像素标为红色。左图为第一帧时的probe分布，此时只填充了1/4数量的tile；右图为4帧后的probe分布

temporal upscale 依赖于probe重投影。为了不降低质量，需要确保重投影过程的准确性。在使用 motion vector 重投影上一帧probe时，得到的对应是当前帧的一个 probe tile，因此还需要确定重投影到tile的哪个像素上。作者提出一个启发式策略，用来在probe tile内找到与上一帧probe最匹配的像素。下面是确定最匹配像素的算法伪代码，其中 cell_size 是一个启发式参数，用于控制能够接受多大程度的 spatial error，该参数在后面也会用到。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
_kernel reproject_screen_probes(pixel p) // 表示workgroup的一个线程任务，pixel p为local_lane对应的像素
{
    _local uint reprojection_score = (pack_half(65504.0) << 16) | 0xFFFFu;
    barrier();
    if (p is not a sky pixel) {
        q = p in previous frame;	// 像素p投影回上一帧
    	if (probe_q is valid) { // probe_q 是什么？
            // world_probe、normal_probe 应该是重投影probe所位于的像素属性
            // world_p、normal_p 是像素p的属性
            plane_dist = abs(dot(world_probe - world_p, normal_p));
            normal_check = dot(normal_probe, normal_p);
            if (plane_dist < cell_size && normal_check > 0.95) { // 剔除掉平面距离与法线差异超出阈值的像素
                dist = distance(world_probe, world_p);	// 使用像素到重投影probe的距离作为分数
                uint probe_score = (pack_half(dist) << 16) | local_lane;
                atom_min(reprojection_score, probe_socre);
            }
		}
    }
    barrier();
    // decode and use 𝑙𝑜𝑐𝑎𝑙_𝑙𝑎𝑛𝑒 as destination pixel
}

上述算法应该是要先将上一帧probe所属tile投影到当前帧，得到 probe tile，然后再对 probe tile 内的每个像素执行上述打分过程，分数越高表示像素与重投影probe的差异越大，因此需要取其中的最小值。此外，算法使用一个 32bit 的高16位存储socre、低16位存储lane编号，这种做法是为了让比较过程由score的关系确定，而lane编号对比较没有影响。最终得到最小score时，同时可以得到lane编号，从而确定对应的pixel。但不知道 pack_half 怎么实现的？ :confused:

2.1.2 Adaptive Sampling

前一小节描述了重投影复用上一帧的probe，可以很快达到覆盖全分辨率，但实际中往往会发生去遮挡 (disocclusion) 情况，此时去遮挡区域会找不到重投影probe，如 Fig-3 左图所示

image-20240412194247447
Fig-3: 左图，相机移动出现无法找到重投影probe的去遮挡区域；右图，stochastic ray re-balancing 算法填充空洞后的结果

当发生去遮挡时，一种解决办法可以是创建新的probe，来填充这些空白区域，但这会导致spp增大、开销增加。作者提出从时序重投影成功的tiles中随机挑选一部分，分配给这些空白tiles，这样可以保持稳定的开销。为此需要生成两个queues：

  • empty_tiles buffer：存储重投影失败且没有新生成probe的tile列表
  • override_tiles buffer：存储重投影成功且新生成probe的tile列表

接下来，为每个 empty tile 随机选择一个 override tile，并放入spawn_tiles内，算法如下。

1
2
3
4
5
_kernel patch_screen_probes(uint global_id) {	// global_id 应该是在整个dispatch里的线程id
	tile = empty_tiles[global_id];
	index = random(0, override_tile_count - 1);
	atom_xchg(spawn_tiles[override_tiles[index]], tile);	// 使用数组将override tile重定向到empty tile
}

该算法通过重分配一定的光线样本预算，来填充时序空洞，效果如 Fig-3 右图所示。

算法使用数组存储索引的方式来重定向tile，在生成光线样本阶段，会从 spawn_tiles 中获取真正的tile。spawn_tiles 应该是总tile数量的大小，存储的是每个tile索引对应要生成probe的tile索引。在没有重分配算法下，spawn_tiles[index] = index。重分配算法中，会将其中一部分override tile修改为empty tile，即 spawn_tiles[override tile] = empty tile。

2.1.3 Ray Guiding

前面小节完成了放置probe，接下来需要为probe生成光线样本，即如何在八面体的cells中分配光线。作者采用与 [2] 相同的方法，根据上一帧结果进行重要性采样。实现上，先将重投影的radiance的luminance写入Local Data Share (LDS)，再通过warp/subgroup指令并行扫描，标准化为 Cumulative Distribution Function (CDF)，最后使用 CDF 随机选择一个cell。

image-20240415110725456
Fig-4: 左图为uniform sampling；右图为temporal ray guiding

为了提高guiding过程的准确性，需要半球重建尽可能忠实。这里的重建在 3x3 tiles邻域内迭代重投影probe，并累积radiance值到还未计算的新生成probe中最匹配的cell上。但在不同probe的cell之间重用数据，需要先解决它们之间的视差问题，如 Fig-5。光线样本的 alpha 存储了hit距离，因此可以恢复出重投影cell的 hit position，基于此可以在重投影的radiance散布到新生成probe之前，执行视差矫正。

image-20240415113213730
Fig-5: 不同probe的cell之间的视差

radiance的scatering过程通过在LDS中分配 8x8 八面体图来高效实现重建与采样。与 2.1.1 小节类似，使用 cell_size 拒绝掉较远的probe。

到此，probe的光线样本都已生成，接下来执行光追与场景求交。当无交点时，认为交到天空，将环境光加入光线；当有交点时，则需要计算交点处的光照，这是通过后面的hash cells data structure来实现的。

2.1.4 Radiance Blending

此时，我们得到了所有光线样本的radiance信息，但由于ray guiding，八面体的同一cell可能会由多个光线样本，这些样本直接使用重要性采样加权平均即可得到当前新的radiance。除此之外，还需要将新的radiance与上一小节重建的radiance进行时序混合。对于blend方式的选择，exponential moving average [4] 如下式所示
$$
s_t = \alpha x_t + (1-\alpha)s_{t-1} = \alpha\sum_{k=0}^{\infty}(1-\alpha)^kx_{t-k}
$$
其中 $x_t$ 为 $t$ 时刻新的样本，$s_t$ 为 $t$ 时刻累积样本，可以看出历史数据是以指数级别衰减，即随着 k 增大，而在最终结果中占比降低。probe无论空间，还是方向上，都是相对比较稀疏的分布，因此八面体一个cell会占据半球面上相当大的区域。

作者发现这种方式会明显损失真实感。相反，作者选择将新得到的光线样本radiance与重建的radiance之间的标准化差异作为temporal blending amount的一个因素。下面是blend过程的算法伪代码。

1
2
3
4
5
6
7
function temporal_blend(curr_radiance, prev_radiance)
{
    l1 = dot(curr_radiance, 1.0 / 3.0);
    l2 = dot(prev_radiance, 1.0 / 3.0);
    alpha = max(l1 - l2 - min(l1, l2), 0.0) / max(max(l1, l2), 1e-4);
    return lerp(curr_radiance, prev_radiance, alpha);
}

上述算法以图像一定程度的变暗为代价，更好了保留了遮挡与阴影。除此之外，该算法还有荧光点去除的作用，过滤掉比八面体cell对应的立体角小得多的明亮信号，提高时序稳定性。

另一点，由于guiding策略，会有部分cells不存在任何样本，这时如果直接重用时序重建的结果会导致明显的视觉artifact，然后对这些cells直接留空又会由于能量损失而过暗。对此，作者选择对已填充cell的radiance进行平均，并均匀分布到未追踪的cell中。这种做法是通过近似缺失的样本来恢复一些丢失的能量，如 Fig-6 所示。在测试中，这种情况只会应用到低概率cell上，同时没有发现明显的visual artifacts。

这种情况的处理，非常trick。仅仅是求其他所有光追样本的平均值，作为没有追踪的cell的近似样本。

image-20240415140118581
Fig-6: 左图，由于空cells变暗；右图，使用平均值作为空cell的样本

2.1.5 Probe Masking

probe是放置在 8x8 screen tiles内的任意一个像素上，因此使用 32-bit 整数编码 tile 内的像素坐标，来确定probe位置。该整数使用一张2D贴图存储 probe_mask。对于empty tile或者无效tile，使用一个 sentinel value 表示，如 Fig-7 所示。

image-20240415151024688
Fig-7: sentinel 被标记为红色。

在运动中，有大量区域缺失probe。在采样probe时，通常需要查找某一方向上最近的probe。作者提出生成 probe_mask 的 mip chain 来实现高效查找最近的有效probe，其中 mip chain 维护了上一层 2x2 中第一个找到的有效probe。查找像素给定方向上的最近有效probe的算法如下所示

1
2
3
4
5
6
7
8
9
10
11
12
13
14
function find_closest_probe(int2 pixel, int2 offset)
{
    pixel /= 8;	// 变换到 probe 空间
    foreach mip in [0, mip)count - 1] do {
        int2 pos = pixel + offset;
        if (pos is out of bounds) break;
        
        uint porbe = probe_mask.Load(pos, mip);
        if (probe is not sentinel) return probe;	// 找到 probe
        
        pixel /= 2;
    }
    return sentinel;	// could not find any probe
}

2.1.6 Probe Filtering

由于probe的光线样本在八面体cell内每帧都会抖动，以及后面提出的hash cell返回的radiance也会很噪，因此导致probe非常噪。作者使用前一小节的高效搜索算法，再执行一次 7x7 稀疏blur。filter 算法伪代码如下所示，其中再次用到了 cell_size 来排除掉较远的probe以及避免light leaking。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
__kernel filter_screen_probes(global_id, local_id, group_id)
{
    // 提取目标 probe 的信息，即 filter 到哪个probe内
    p = decode_probe_mask(spawn_tiles[group_id]);
    dir = calculate_cell_direction(local_id, normal_p);
    radiance = probe_buffer[global_id]; // 应该是local_id吧。看前两行，globa_id对应probe，local_id对应cell
    hit_dist = radiance.a;
    weight = 1.0;
    
    foreach i in [0, 5] do {	// 6个周围probe加上自身整个 7x7 区域
        step = (((t & 1) << 1) - 1) * ((i >> 1) + 1);
        probe = find_closest_probe(p, step * blur_direction);	// blur_direction 应该用于控制filter方向，x、y 方向各一次
        if (probe is sentinel) continue;
        
        q = decode_probe_mask(probe);	// q下标为当前查找到的相邻probe
        plane_dist = abs(dot(world_q - world_p, normal_p));
        normal_check = dot(direction, normal_q);
        if (plane_dist > cell_size or normal_check < 0.0) continue;
        
        hit_dist_clamped = min(hit_dist_q, hit_dist);
        hit_Point = world_q + dir * hit_dist_clamped;	// 查找probe样本起点沿着目标光线样本方向行进，应该是用于计算视差
        angle_error = dot(dir, normalize(hit_point - world_p));
        if (angle_error < cos(pi / 50.0)) continue;	// angle_error 为视差夹角余弦，越小表示偏差越大
        
        depth_weight = calculate_depth_weight(depth_p, depth_q);
        radiance += depth_weight * float4(radiance_q, hit_dist_clamped);
        weight += depth_weight;
        hit_dist = radiance.a / weight;
    }
    
    // store radiance/weight
}

注意：前面的ray guiding策略，会导致cell上对应的光线样本可能属于其它cell，但后续处理已经将每个cell的radiance结果处理到对应位置，因此上述算法仅仅对不同probe之间对应的cell进行filter。

算法最后使用了与 [2] 相似的角度误差检测方法，用来保留一些小尺度的遮挡细节，如图 Fig-8。

image-20240415154453580
Fig-8: 7x7 probe space下的稀疏filter。左图不带有角度误差，右图带有角度误差

2.1.7 Adaptive Cell Size

前面这些小节多次用到了cell_size，这个量直接关系到相邻probe之间的radiance重用对空间误差的容忍度。cell_size 的值越小能够保留更好的细节，但时序稳定性差，越大能有更好的时序稳定性，但降低光照质量。作者提出使用基于与相机的距离，自适应调整 cell_size，效果如 Fig-9 所示。

image-20240415154324296
Fig-9: 基于距离的radiance重用启发式策略。左图，近距离下捕获细节；右图，远距离下优雅地退化细节

自适应调整 cell_size 的算法伪代码如下，其中 fov_y 为垂直 fov，单位为radians；proj_size 是投影后cell size，单位为像素，作者选择 8.0，即相邻probe之间粗略的像素距离。此外，distance_scale 在每帧是固定，可以在 CPU 上计算好。

1
2
3
4
5
6
7
8
function calculate_cell_size(distance_to_camera)
{
	distance_scale = tan(
        fov_Y * proj_size * 
        max(1.0 / view_Height, view_height / pow2(view_width))
    );
    return distance_scale * distance_to_camera;
}

2.1.8 Persistent Least-Recently Used (LRU) Side Cache

对于具有细小几何特征的情况下，会出现probe的时序-空间的radiance重用一直失败的情况，从而导致时序上的不稳定性。例如 Fig-10 中，一个tile内的细小几何特征，有如下过程：

  • 第一帧 probe 1 生成在细小的几何特征上，并计算probe数据

  • 第二帧 probe 2 （同一tile内）生成，但由于 cell_size 测试失败，无法重用来自上一帧 1 的信息。因此，它需要从头开始重新计算（在忽略掉 3x3 邻域重建过程的情况下）。

    这里的cell_size测试失败不理解，感觉更多是 probe 2 不在细小几何特征上，normal测试或者 probe 2 所在位置失效导致失败

  • 第三帧 probe 3 重新生成在几何特征上，因此同样无法重用上一帧 2 的信息

image-20240415163819243
Fig-10: 由于细小几何导致时序重用失败

上述情况中，probe 3 可以重用 probe 1 的信息，但由于 probe 2 由于重用失败，导致 probe 1 的信息已经被覆盖。因此在这种情况下，该tile内的时序重投影、ray guiding以及blending在每帧一直处于失败状态。作者提出使用一个 LRU queue 来维护被逐出的 (evicted) probe，这样就可以让这些probe能在任意帧后被使重用。当新生成的probe无法从同一tile的重投影probe中复用数据时，则尝试重用queue中的cache probe。

queue中存储的是cache probe的索引，其数据存储在贴图中索引对应位置。由于cache probe可能会存在很多帧，无法使用depth buffer还原其世界坐标。因此需要为每个cache probe保存 float3 position 以及编码到单个 float 中的world normal，作者使用 128-bit integer存储。

在 2.1.3 小节的guiding策略前，需要 3x3 probe space 的半球重建。在这里，更新该半球重建过程为完成 3x3 重投影 tile 搜索后，再在 3x3 相邻 tile 上搜索 cache probe。与之前一样，radiance进行视差矫正并累积到 LDS 中。当完成搜索后，side cache 的更新有三种情况：

  • 当前一帧probe被新生成probe逐出且无有效cache entry时，创建一个新的cache entry，并在blending pass将重投影radiance更新到cache。

    上一帧probe被当前帧逐出，也就是说重投影失败。在blending pass写入cache应该是指重投影radiance以blend形式写入。

  • 当前一帧被新生成probe逐出且找到匹配cache entry，在blending pass将重投影radiance写入cache，并将该cache entry放入 most-recently used (MRU) queue。

  • 无论前一帧probe是否被逐出，都会识别参与重建的最匹配cache entry。如果有的话，则在blending pass将重投影radiance写入cache，这可以确保cache数据不会落后于光照状态改变。

    在cache中查找匹配cache entry，是在 3x3 相邻 tile 上进行的。如前所述，先将cache entry投影到屏幕，判断哪些位于 3x3 相邻tile。其中最匹配的cache entry的数据会被更新，这应该包括了第二种情况

每帧还要执行 re-ordering pass，将 MRU 中的cache entries永远放在LRU queue最前面。上述情况中，更新cache entry需要使用 atomic compare and swap，避免多个work groups在radiance blending阶段同时更新同一cache。

2.2 World Cache

world cache 维护了次级光路顶点的出射radiance（按照forward path tracing的方向来看），作者基于 [5] 中的 hash cells 数据结构，提出新的 tiling 方法，该方法能够更高效地在相邻cells之间filter。

2.2.1 Caching Outgoing Radiance for Secondary Path Vertices

world cache通过对顶点描述的hash来寻址hash table中的radiance cell。寻址过程如下图所示，先使用一个fast hash定位bucket index；再使用另一个hash函数计算一个fingerprint，用于在bucket内 linear probing，确定cell的存储位置。作者选择了两个彼此之间几乎不会冲突的hash函数，即linear probing过程不会比较顶点描述，而是直接比较第二次hash生成fingerprint，忽略了第二次hash冲突的可能性。

image-20240426133627889

作者构建的顶点描述包含：

  • 顶点坐标、光线方向：邻近顶点间的重用与filter
  • 层级：
  • 光线长度与cell_size的比较结果

每个cell还会关联一个衰减值decay，用于管理cell entry的生命周期。在每次访问cell时都会重置decay，否则就会持续衰减，如果一个cell的decay到0，则释放cell entry。hash table的主要瓶颈来自于大量使用atomic，例如每次插入，这可以通过存储下来顶点的查找结果来避免。

2.2.2 Eliminating Light Leaks

在与周围顶点进行filter时，会存在light leaking异常效果，如下图所示情况。遮挡边缘的两个相邻顶点，离得近，同时secondary ray的方向接近评选，导致descriptor经过hash后落入同一cell。这种情况下，相邻顶点的filter会导致漏光

image-20240426140012373

作者发现这类light leaking大部分出现在次级光线长度小于要查找cell大小的情况下，也就是光线没有离开cell。对于此，向descriptor中加入比较结果 (ray_length < cell_size)，可以避免这种情况发生。

2.2.3 Prefiltering Radiance

cell之间filter需要访问 3x3x3 相邻cell，但在hash space的开销非常大。作者提出 two-level 数据结构，其中 cell 被组织到 tile 内，bucket 中索引的是tile，cell由tile内的局部坐标来索引，如下图所示。

image-20240426145746727

每个tille表示了场景固定大小的区域，相当于一个比较大的voxel，但tile中的cell在三维空间下是相对稀疏的，同时小范围的表面接近于二维平面，因此作者选择将cell投影到2D tile上的方式，将cell向最大outgoing方向的轴向投影。

最大outgoing方向应该是值tile内所有cell的所有光线方向取最大

tile 是一个超大的voxel，被hash table索引。cell是tile内连续的小voxel，按照局部位置连续排放。这也意味着tile需要更大的存储空间。对于 3x3x3 cells 的filter，如果没有这么多相邻cells呢？

这种做法以不高的存储开销，使得tile之内相邻cell之间filter操作更加高效，但tile之间仍然无法解决，作者选择依赖于screen cache来掩盖这部分偏差。

将方差降低到可接受的水平通常需要cell内几帧的累积。对于时序累积，第一层 mip level 使用 exponential moving average [4] ，后续层级都是上一层级使用box filter。在实现中，作者选择 8x8 tile size，这样性能最佳。最终，通过查询第一层，累积radiance到screen cache。

2.2.4 Evaluating Lighting at Secondary Path Vertices

前面描述了如何在two-level hash数据结构中缓存和filter次级路径顶点的直接光照。但直接光照仍然需要计算。首先执行重投影，如果重投影成功则复用上一帧的光照；否则，需要计算顶点光照着色，这是 Light Sampling 小节的内容。

对于重用的上一帧radiance样本，既包含了直接光照，又包含了间接光照。这种重用会为当前帧带来多一次间接路径，近似无限反弹，称为 temporal radiance feedback。

但cell中的顶点只有直接光照，并没有间接光照。从PPT里看到，这里的重投影是在屏幕上执行的，即将顶点重投影到上一帧，看是否在屏幕上，在屏幕上则重投影成功，否则重投影失败。也就是world cache本身无法做到无限反弹，只有屏幕上看到的顶点具有无限反弹。

无限反弹过程：

  • 第一帧
    • screen probe光追得到hash cell顶点，hash cell计算一次反射点的直接光
    • screen probe从hash cell得到一次反射间接光
    • 计算屏幕的直接光照，从screen probe得到的一次反射间接光
  • 第二帧
    • screen probe光追得到hash cell顶点
      • hash cell顶点重投影成功，得到其上一帧的直接光照与一次反射间接光。hash cell顶点作为一次反射点，意味着属于当前帧的一次反射间接光、二次反射间接光
      • hash cell顶点重投影失败，计算其直接光照，即一次反射间接光
    • screen probe从hash cell得到间接光，此时融合了二次反射间接光
    • 计算屏幕像素的直接光照，从screen probe采样间接光，这里采样得到的最多反射是二次反射
  • 第三帧：最大三次反射

因此无限反弹只有部分cell顶点具有。

2.3 Light Sampling

hit points 的着色

2.3.1 Reservoir-based Resampling

2.3.2 Light Grid Lookup Structure

2.4 Irradiance Estimation

本小节使用probe数据评估屏幕像素的 irradiance。

2.4.1 Per-Pixel Interpolation

使用像素周围的probe进行加权平均来重建像素光照。使用 2.1.5 小节定义的 find_closest_probe 函数查找四个方向上相邻probes，基于表面深度、normal的edge-aware function的权重设计。同样使用 cell_size 排除掉远离的probe，即赋予权重 0。

对于周围4个probe权重都为0或很小的情况，使用均值代替。

除此之外，在查找相邻probe之前，会先抖动像素位置，这样可以打破 structured artifact，但当抖动位置远离原像素所在平面时，则取消这次抖动。

2.4.2 Spherical Harmonics

在评估irradiance时，通常需要提取所有附近的radiance样本。更好的方式是在插值之前，先将probe投影到SH，SH 具有以下优点：

  • 只使用前三阶可以过滤掉高频噪声
  • 能够以低存储开销较好地表示 irradiance
  • reprojection pass 可以只重投影 SH

2.4.3 Denoising

自适应blur

Reference

[1] Boissé, G. and Meunier, S. 2022. GI-1.0: A Fast Scalable Two-Level Radiance Caching Scheme for Real-Time Global Illumination.

[2] Daniel Wright. 2021. Radiance Caching for Real-Time Global Illumination. https://advances.realtimerendering.com/s2021/index.html#_mrnver3hf0ag

[3] Zina H. Cigolle, Sam Donow, Daniel Evangelakos, Michael Mara, Morgan McGuire, and Quirin Meyer. 2014. A Survey of Efficient Representations for Independent Unit Vectors. Journal of Computer Graphics Techniques (JCGT) 3, 2 (17 April 2014), 1–30. http://jcgt.org/published/0003/02/01/

[4] Brian Karis. 2014. HIGH-QUALITY TEMPORAL SUPERSAMPLING. http://advances.realtimerendering.com/s2014/#_HIGH-QUALITY_TEMPORAL_SUPERSAMPLING

[5] Binder, N., Fricke, S., and Keller, A. 2021. Massively Parallel Path Space Filtering.

Paper Notes > GI > Light Probe
GI-1.0 - A Fast Scalable Two-Level Radiance Caching Scheme for Real-Time Global Illumination
http://example.com/2024/04/12/Paper Notes/GI/GI-1.0 A Fast Scalable Two-Level Radiance Caching Scheme for Real-Time Global Illumination/
Author
John Doe
Posted on
April 12, 2024
Licensed under