Core Concepts
기존 비차별적 래스터라이저를 최소한의 엔지니어링 노력과 외부 의존성 없이 확률적 경사 추정을 통해 차별적으로 변환하는 방법을 제안한다.
Abstract
이 논문은 기존 비차별적 래스터라이저를 차별적으로 변환하는 방법을 제안한다. 기존 방식은 Pytorch/Tensorflow와 같은 외부 도구와 의존성을 필요로 하지만, 이 방법은 엔진 내부에서 자체적으로 구현할 수 있다.
핵심 아이디어는 확률적 경사 추정(Stochastic Gradient Estimation)을 사용하는 것이다. 이 기술은 장면 매개변수를 무작위로 교란하여 경사를 확률적으로 추정하고 하강하는 것이다. 이 방법은 단순하고 강력하지만 차원성(매개변수 수)에 따라 확장성이 떨어진다.
이 논문의 통찰은 주어진 래스터화된 픽셀에 기여하는 매개변수 수가 제한된다는 것이다. 따라서 픽셀 단위로 경사를 추정하고 평균화하면 최적화 문제의 차원성을 제한할 수 있어 확장성을 높일 수 있다. 또한 ID 및 UV 버퍼를 래스터화하여 각 픽셀에 기여하는 매개변수를 추적할 수 있다.
이러한 간단한 수정을 통해 수백만 개의 기하학 및 텍스처 매개변수를 가진 3D 자산에 대한 엔진 내부 최적화기를 얻을 수 있다.
Stats
2K 삼각형으로 구성된 제어 메시를 최적화하여 50K 삼각형의 Catmull-Clark 세분화 표면을 생성하고, 이를 다시 변위, 노멀 매핑 및 10242 물리 기반 텍스처로 렌더링하는 데 130초가 소요됨.
동일한 작업을 우리의 방법으로 수행하는 데 720초가 소요됨.
Quotes
"우리의 방법은 단순하고 강력하지만 차원성(매개변수 수)에 따라 확장성이 떨어진다."
"우리의 통찰은 주어진 래스터화된 픽셀에 기여하는 매개변수 수가 제한된다는 것이다."