Суть прорыва: от нейросетей к гауссианам
На конференции SIGGRAPH Asia 2026 представлена методика Gaussian Light Transport (GLT). Авторы — Патрик Аттимон, Картик Субр и Сирил Солер — предлагают решать уравнение светового переноса не через сложные нейросетевые поля, а как смесь 3D-гауссиан. В отличие от традиционных методов, основанных на ряде Неймана, параметры модели оптимизируются напрямую путем минимизации остатка уравнения рендеринга.
Ключевое отличие подхода: свойства сцены (позиции, направления, нормали, материалы) инкапсулированы внутри самих гауссиан. Это позволяет drastically сократить количество необходимых функций и ускорить вычисления, обеспечивая рендеринг за миллисекунды.
Производительность и метрики
Метод демонстрирует впечатляющие результаты по скорости обучения и размеру модели по сравнению с состоянием искусства (Neural Radiosity с хэш-сеткой). Обучение происходит фиксированное количество итераций (30K), что делает процесс предсказуемым.
| Сцена | Время обучения (GLT) | Время обучения (NR Hash Grid) | Размер модели (GLT) | FLIP ошибка (GLT vs NR) |
|---|---|---|---|---|
| Living Room | 11m 30s | 4h 29m | 5.8 MB | 0.1177 (лучше 0.1326) |
| Bedroom | 10m 48s | 2h 10m | 4.4 MB | 0.0824 (лучше 0.0967) |
| Dining Room | 9m 17s | 1h 54m | 5.4 MB | 0.0831 (лучше 0.2455) |
| Veach Ajar | 12m 08s | 2h 25m | 4.1 MB | 0.0641 (лучше 0.1978) |
Как видно из таблицы, метод GLT обучается в 20–25 раз быстрее, чем базовый Neural Radiosity с хэш-кодированием, при этом обеспечивая более низкую ошибку FLIP (лучшее качество) и значительно меньший вес модели (4–6 МБ против фиксированных 35.7 МБ у конкурентов).
Технические детали и ограничения
Рендеринг происходит в реальном времени: время кадра составляет 10–17 мс при разрешении 1920×1080 и 1 сэмпле на пиксель (spp) на видеокарте RTX 4080 SUPER. Модель адаптируется к геометрической сложности сцены, используя от 6.5K до 42.2K гауссиан. Это позволяет эффективно захватывать каустики, глянцевые и зеркальные поверхности, а также текстуры.
Важным преимуществом является независимость размера модели от разрешения сетки или детализации геометрии. Размер остается в пределах 1–6 МБ, что делает подход крайне привлекательным для мобильных приложений и интерактивных приложений, где память критически ограничена.
Почему это важно
Традиционные методы глобального освещения либо слишком медленны для реального времени, либо требуют огромных объемов памяти для хранения нейросетевых весов. Gaussian Light Transport стирает эту границу, предлагая view-independent (независимое от точки обзора) решение, которое можно обучить за минуты, а не часы, и использовать мгновенно. Это открывает путь к фотореалистичному освещению в играх и VR без тяжелых вычислительных затрат.
Источник: Patrick-attimont ↗