Fast and Lightweight Path Guiding Algorithm on GPU

Abstract

We propose a simple, yet practical path guiding algorithm that runs on GPU. Path guiding renders photo-realistic images by simulating the iterative bounces of rays, which are sampled from the radiance distribution. The radiance distribution is often learned by serially updating the hierarchical data structure to represent complex scene geometry, which is not easily implemented with GPU. In contrast, we employ a regular data structure and allow fast updates by processing a significant number of rays with GPU. We further increase the efficiency of radiance learning by employing SARSA used in reinforcement learning. SARSA does not include aggregation of incident radiance from all directions nor storing all of the previous paths. The learned distribution is then importance-sampled with an optimized rejection sampling, which adapts the current surface normal to reflect finer geometry than the grid resolution. All of the algorithms have been implemented on GPU using megakernal architecture with NVIDIA OptiX. Through numerous experiments on complex scenes, we demonstrate that our proposed path guiding algorithm works efficiently on GPU, drastically reducing the number of wasted paths.

본 연구는 GPU 상에서 작동하는 간단하지만 효과적인 path guiding 알고리즘을 제안한다. Path guiding은 path tracing의 노이즈를 줄이기 위해 제안된 기법으로 샘플링 과정에서 복사 휘도(radiance)를 배우고 이를 이용해 중요도 샘플링(importance sampling)을 수행한다. 복사 휘도의 복잡한 분포를 배우기 위해 이전의 논문들에서는 복잡한 재귀적 데이터 구조를 제안하고 이를 순차적으로 업데이트 하였지만 이는 CPU상에서의 path tracing만을 가정한 것으로 GPU상에서는 쉽게 구현하기 어려우며 효과적으로 작동하지 않는다. 본 논문에서는 GPU 친화적인 간단한 그리드 형태의 데이터를 사용해 path guiding 알고리즘을 진행하였다. 또한 path guiding의 두 가지 목표-(1) 복사 휘도 학습과 (2) 학습된 복사 휘도 분포를 이용한 중요도 샘플링-를 GPU 상에서 효과적으로 구현하기 위해 다음과 같은 방법을 제시한다. 우선 복사 휘도 학습의 경우, 강화학습과 복사 휘도 학습의 구조적 유사성을 밝힌 이전 연구를 확장하여 가볍고 빠른 SARSA를 이용한 학습 방법을 제안하였다. 학습된 복사 휘도는 공간-방향을 그리드 형태로 분할한 GPU상의 데이터 구조에 저장된다. 학습된 복사 휘도를 사용한 중요도 샘플링의 경우 법선 벡터 방향에 유효하지 않은 샘플들은 제외한 뒤, 리젝션 샘플링(rejection sampling)을 이용해 중요도 샘플링(importance sampling)을 수행하였다. 모든 알고리즘은 NVIDIA OptiX를 사용해 GPU상에서 megakernel 구조로 구현되었다. 복잡한 구조의 씬 데이터에 대해 여러 번 실험을 수행하였으며 본 연구에서 제안한 방법의 우수성을 확인하였다.