Zelflerende Algoritmen voor het berekenen van Globale Belichting in Computer Graphics

Het globale lichttransportprobleem is een fundamenteel probleim in het domein van de computergrafiek (computer graphics). Gegeven de beschrijving van een 3D scène wordt een foto-realistisch beeld berekend. De huidige meest geavanceerde algoritmen zijn allen gebaseerd op de techniek van Monte Carlo integratie. Recente ontwikkelingen in beeldsynthese maken gebruik van machine learning zodat de berekeningen per pixel om het beeld te vormen gereduceerd kunnen worden. Deze technieken zijn vaak gericht op het verminderen van de stochastische variantie, alsook op het 2D domein van het te genereren beeld. De vraag stelt zich echter of dergelijke zelflerende algoritmen ook rechtstreeks kunnen toegepast worden in de 3D scène, door de 3D verdeling van lichtenergie te leren eerder dan de projectie ervan op het beeldvlak. Dergelijke aanpak kan camera-onafhankelijk zijn, en enkel afhankelijk van de 3D scène zelf, waardoor verdere computationele voordelen kunnen bekomen worden. De onderzoeksvragen in dit project zijn de volgende:

• Welke 3D representaties zijn het best geschikt om zelflerende algoritmen (neurale netwerken) te gebruiken, specifiek in de context van globaal lichttransport in computer graphics?
• Welk type trainingsdata is nodig om dergeljk zelflerend algoritme goed te laten functioneren?
• Zou dergelijke aanpak mogelijk zijn voor allerhande types van 3D scènes, dan wel enkel voor eenvoudige scènes met beperkte geometrische complexiteit en belichtingseigenschappen?