为什么使用蒙特卡洛随机抽样位置而不是统一抽样如此普遍?

我假设采用随机抽样会带来一些好处,但我不知道它们可能是什么。

有谁能解释随机抽样位置相对于统一抽样位置的优势?

评论

通常,为了避免到处都获得均匀的图案,如果使用等距均匀的样本,则由于某些像素以规则的间隔击中和错过要素,您将获得莫尔图案效果。理想情况下,应使用某种重要性采样来偏向采样方向。

我最近读到,分层采样和低差异序列(例如halton,sobol等)都是介于随机采样(会产生噪声)和均匀采样(会造成混叠)之间的中间地带。

#1 楼

只要存在几何尺寸等于或小于采样网格的几何特征,具有统一模式的采样位置就会在输出中产生锯齿。这就是为什么存在“锯齿”的原因:由于图像是由均匀的正方形像素网格组成,并且在渲染(例如)不带锯齿的斜线时,它会以规则的间隔穿过像素的行/列,从而形成规则的

在更精细的均匀网格上进行超级采样可以改善效果,但是图像仍将具有类似的伪像-情况要差得多。您可以在MSAA上看到这一点,就像NVIDIA关于时域抗锯齿的演示文稿中的比较图所示:



8x MSAA图像(虽然不是网格,但仍然具有重复模式),尽管它们是抗锯齿的锯齿,但仍然明显地存在锯齿。与TXAA的结果相比,TXAA的结果具有更高的有效样本数(由于时间重用),并且使用高斯而非盒式滤波器来累积样本。

另一方面,随机抽样会产生噪声而不是混叠。样本位置没有任何模式,因此所得错误也没有任何模式。由于没有足够的样本来形成清晰的图像,因此混叠和噪声都是错误,但可以说噪声是视觉上不太令人讨厌的伪影。

另一方面,完全随机采样( iid随机变量的集合)倾向于表现出一定程度的聚集。纯粹是偶然,域中的某些区域将具有比平均水平高的样本块,而其他区域将缺少样本。这些区域将分别在结果估算中被高估和低估。

通常可以通过使用分层采样,低差异序列或蓝噪声等方法来提高蒙特卡洛过程的收敛速度。这些都是产生“解聚”样本的策略,这些样本比i.i.d更均匀地间隔开。样本,但未创建任何可能导致混叠的常规模式。

评论


$ \ begingroup $
啊。蓝噪声通过减少采样模式中的低频数据来防止结块。
$ \ endgroup $
–艾伦·沃尔夫(Alan Wolfe)
16年8月20日在12:35

#2 楼

蒙特卡洛方法依赖于大数定律,该定律指出,重复多次的随机事件的平均值趋近于期望值(如果将硬币翻转成数以百万计的次数,则平均每一方将获得时间)。蒙特卡洛积分使用该定律通过对大量随机样本求平均值来评估积分。

使用均匀分布会破坏该算法,因为它所基于的定律不再适用。 />

评论


$ \ begingroup $
是的,但是在大多数情况下,可以总结为一个未知的问题,随机是最好的策略。由于贡献未知...
$ \ endgroup $
– joojaa
16年8月19日在13:10



$ \ begingroup $
@joojaa:哦,我知道你和我对问题的理解有所不同。是的,当分析解决方案未知时,蒙特卡洛是一种可行的策略(尽管数学人员可能有一种更为精确的表示方法)。
$ \ endgroup $
–朱利安·古托(Julien Guertault)
16年8月19日在14:34

$ \ begingroup $
换个说法:即使解决方案未知,蒙特卡洛(Monte Carlo)也被证明朝着它收敛。
$ \ endgroup $
–朱利安·古托(Julien Guertault)
16年8月19日在14:35