A Simple Approach to Differentiable Rendering of SDFs

我们提出了一种简单的算法，用于可微分渲染由符号距离场（SDF）表示的表面，这使得将渲染集成到基于梯度的优化流程中变得容易。为了解决与可见性相关的导数，这使得渲染不可微分，现有的基于物理的可微分渲染方法通常依赖于精心设计的引导数据结构或重新参数化，对方差具有全局影响。在本文中，我们研究了一种替代方案，它为非零偏差而接受低方差和架构简单性。我们的方法将低维边界积分扩展为一个薄带，当基础表面由SDF表示时，易于进行采样。我们在端到端反渲染任务中展示了我们的公式的性能和鲁棒性，在这些任务中，它获得了与现有工作相当或更优的结果。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了一种基于Signed Distance Fields（SDF）的可微分渲染算法，可以轻松地将渲染集成到基于梯度的优化流程中。该算法通过将边界积分扩展到薄带中，从而解决了渲染中的可见性相关导数问题。实验结果表明，该算法在端到端反演渲染任务中具有出色的性能和鲁棒性，并且与现有工作相比具有竞争力或优越性。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？