Improving global exploration of MCMC light transport simulation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10336440" target="_blank" >RIV/00216208:11320/16:10336440 - isvavai.cz</a>

Výsledek na webu

<a href="http://dl.acm.org/citation.cfm?id=2945128" target="_blank" >http://dl.acm.org/citation.cfm?id=2945128</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/2945078.2945128" target="_blank" >10.1145/2945078.2945128</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving global exploration of MCMC light transport simulation

Popis výsledku v původním jazyce

Markov Chain Monte Carlo (MCMC) has recently received a lot of attention in light transport simulation research [Hanika et al. 2015; Hachisuka et al. 2014]. While these methods aim at high quality sampling of local extremes of the path space (so called local exploration), the other issue - discovering these extremes - has been so far neglected. Poor global exploration results in oversampling some parts of the paths space, while undersampling or completely missing other parts (see Fig. 1). Such behavior of MCMC-based light transport algorithms limits their use in practice, since we can never tell for sure whether the image has already converged.

Název v anglickém jazyce

Improving global exploration of MCMC light transport simulation

Popis výsledku anglicky

Markov Chain Monte Carlo (MCMC) has recently received a lot of attention in light transport simulation research [Hanika et al. 2015; Hachisuka et al. 2014]. While these methods aim at high quality sampling of local extremes of the path space (so called local exploration), the other issue - discovering these extremes - has been so far neglected. Poor global exploration results in oversampling some parts of the paths space, while undersampling or completely missing other parts (see Fig. 1). Such behavior of MCMC-based light transport algorithms limits their use in practice, since we can never tell for sure whether the image has already converged.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA16-18964S" target="_blank" >GA16-18964S: Adaptivní vzorkování a metody Markov chain Monte Carlo v simulaci transportu světla</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

SIGGRAPH '16 ACM SIGGRAPH 2016 Posters

ISBN

978-1-4503-4371-8

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

—

Název nakladatele

ACM

Místo vydání

New York, NY, USA

Místo konání akce

Anaheim, California

Datum konání akce

24. 7. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—