Monte Carlo (MC) ray tracing has been considered as the most effective technique to produce a variety of realistic visual effects. However, its performance tends to be very slow since a lot of ray samples should be generated until we achieve converged images. In this thesis, we propose three novel techniques to accelerate performance of MC ray tracing. We fist develop a ray reordering framework based on a novel ray ordering measure hit point heuristic to compute a cache-coherent access pattern of
ray traversals on acceleration hierarchies. In addition to the cache optimization technique, we propose an efficient and robust image-space denoising method for reducing noise generated by MC ray tracing while preserving image features. Our denoising is built upon a novel edge-stopping function virtual flash image which captures a wide variety of image features without taking additional ray samples. Furthermore, we present a new image-space adaptive rendering method based on locally weighted regression. In our adaptive framework, we locally guide ray budgets on high error regions, and estimate optimal filtering bandwidths for each rendering feature in terms of minimizing filtering errors. We have demonstrated that the proposed acceleration techniques improve the performance of MC ray tracing using different
realistic benchmarks compared to state-of-the-art methods.
몬테카를로 광선 추적법 (Monte Carlo ray tracing)은 실사 렌더링 효과를 시뮬레이션하기 위해 쓰이는 효과적인 기술로 알려져 있다. 그러나 몬테카를로 광선 추적법은 실사와 같은 렌더링 효과를 얻기 위해 서 많은 광선 샘플을 이용해야 하는 단점을 가지고 있다. 이는 몬테카를로 광선 추적법의 렌더링 성능 저하를 일으키는 근본적인 문제이다. 본 졸업 논문에서는 몬테카를로 광선 추적법의 성능 개선이라는 도전적인 문제를 풀고자 하며 이를 위해서 새로운 가속화 방법 세가지를 제안한다. 우선 광선 재정렬 방법을 통해 광선들이 3차원 공간상에서 처리될 때 발생하는 캐시 미스 횟수를 줄이기 위해 메모리 접근의 지역성을 높이기 위한 방법을 제안한다. 이를 위해 교차점 휴리스틱 방법에 기반한 캐시 친하적 광선 재정렬 방법을 제시하였다. 몬테카를로 광선 추적법의 성능을 더욱 개선하기 위해서는 잡음 없는 선명한 이미지를 얻기 위해 요구되는 광선 샘플 수를 줄이는 일이 필수적이며 이를 위해 몬테카를로 광선 추적법에 의해 생성되는 이미지의 잡음 제거를 위한 필터링 방법을 제안한다. 효과적 이미지 필터링을 위해서는 이미지의 에지와 잡음을 구별하여 에지는 보존하고 잡음만을 제거해야 하는데 이를 위해 새로운 에지 함수인 가상 플래시 이미지를 제안하였다. 가상 플래시 이미지는 다양한 렌더링 효과에 의해 생성되는 에지를 포함하고 있으며, 우리는 이 새로운 이미지를 통해 적은 광선 샘플 수만 이용해서 에지를 보존하면서 렌더링 이미지의 잡음을 효과적으로 제거하였다. 마지막으로 이미지 필터링 기술을 더욱 효과적으로 적용하기 위해서 이미지 필터링 오류를 추정하여 오류를 최소화하도록 이미지의 각 픽셀마다 최적의 필터 너비를 사용하도록 로컬 리그레션 (local regression)이론에 기반한 새로운 이미지 기반 적응형 렌더링 기술을 제시하였다. 또한 픽셀마다 오류를 추정하여 최적의 광선 샘플수를 사용하여 선명한 렌더링 이미지를 얻기 위해 요구되는 광선 샘플 수를 줄였다. 본 박사학위 논문에서 제안한 최적화 방법들이 기존의 최신 방법들 대비 몬테카를로 광선 추적법의 성능을 크게 향상시킴을 다양한 벤치마크를 이용하여 검증하였다.