Unified Gaussian Primitives for Scene Representation and Rendering

在计算机图形学中，寻找一种统一的场景表示仍然是一个研究难题。传统的基于网格的表示方法不适用于密集的、模糊的元素，并且在过滤和可微分渲染方面引入了额外的复杂性。相反，基于体素的表示方法难以对硬表面进行建模，并且需要大量的内存。我们提出了一种基于三维高斯分布的通用渲染原语，用于统一场景表示，具有多样化的外观，从光滑的表面到模糊的元素，以及基于物理的散射，以实现精确的全局光照。我们根据非指数传输理论制定了基于该原语的渲染理论，并推导出有效的渲染操作，以便与蒙特卡罗路径追踪兼容。这种新的表示方法可以从不同的来源转换，包括网格和三维高斯喷洒，并通过透射率优化进一步改进，因为它具有可微性。我们展示了我们的表示方法在各种渲染应用中的多样性，例如全局光照和外观编辑，并且天然支持任意照明条件。此外，我们将我们的表示方法与现有的体积表示方法进行了比较，突出了它复现细节的效率。

论文提出了一种基于3D高斯分布的通用渲染原语，旨在解决传统网格和体素表示方式的局限性，实现统一的场景表示。同时，该论文还试图验证这种新的渲染方式在全局光照和外观编辑等方面的效果。

论文的关键思路是基于3D高斯分布的渲染原语，通过非指数传输和蒙特卡罗路径追踪等技术实现渲染操作，并支持从不同来源的场景数据进行转换和优化。

论文的亮点包括：1. 提出了一种新的基于3D高斯分布的渲染原语，可以实现统一的场景表示，支持全局光照和外观编辑等多种应用；2. 通过非指数传输和蒙特卡罗路径追踪等技术实现了高效的渲染操作；3. 可以从不同来源的场景数据进行转换和优化，具有很好的可扩展性。

最近在这个领域中，还有一些相关的研究，例如：1. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation；2. Neural Volumes: Learning Dynamic Renderable Volumes from Images；3. Multi-Resolution Volumetric Neural Rendering with Mipmap-Sampled Signed Distance Fields。