스페이스‑방향 혼합 모델을 활용한 경로 가이딩

초록

본 논문은 5차원 스페이스‑방향 가우시안 혼합 모델(SDMM)을 온라인 학습하고, k‑d 트리를 이용해 효율적으로 조건부 샘플링함으로써 경로 트레이싱에서 복잡한 공간‑방향 상관관계를 포착한다. 또한 BSDF를 파라미터 차원에 맞는 n‑차원 가우시안 혼합 모델로 사전 학습하고, 접선 공간 파라미터화를 통해 전역 좌표와 로컬 좌표 사이의 회전 왜곡을 최소화한다. 실험 결과, 작은 광원에 의해 발생하는 강한 스페이스‑방향 상관성을 가진 장면에서 기존 방법 대비 크게 향상된 수렴 속도와 낮은 오류를 보였다.

상세 분석

이 연구는 기존 2차원 방향 혼합 모델이 갖는 한계를 극복하기 위해 5차원 스페이스‑방향 가우시안 혼합 모델(SDMM)을 제안한다. SDMM은 위치 (x, y, z)와 입사 방향 (θ, φ)이라는 두 축을 하나의 연속적인 5차원 공간에 통합함으로써, 파랄랙스(parallax)나 캐스케이드(caustics)와 같이 공간과 방향이 강하게 결합된 현상을 자연스럽게 모델링한다. 핵심 기술은 다음과 같다.

1. 접선 공간 파라미터화: 구면 위의 평균 벡터 μ를 중심으로 2차원 접선 공간을 정의하고, 여기서 가우시안 공분산 Σ를 최적화한다. 로그·지수 맵(log/exp) 변환을 이용해 전역 좌표와 로컬 좌표 사이를 정확히 매핑함으로써, 회전 시 발생하는 비선형 왜곡을 1차 테일러 근사로 최소화한다. 이는 기존의 원통형 혹은 구면 좌표화 방식보다 왜곡이 적어, 특히 가우시안 중심 근처에서 높은 정확도를 유지한다.

2. BSDF의 n‑차원 혼합 모델: BSDF 파라미터(예: 거칠기, 금속성 등)의 차원 n에 맞춰 사전 학습된 n‑차원 가우시안 혼합 모델을 사용한다. 이렇게 하면 여러 물질 조합을 별도 캐시 없이 하나의 연속적인 분포로 표현할 수 있어 메모리와 학습 비용을 크게 절감한다.

3. 제품 샘플링(product sampling): SDMM과 BSDF 혼합 모델을 각각 조건부 분포 p(L_i|x)와 p(f_s|ω_o, φ)로 변환한 뒤, 두 가우시안 혼합의 곱을 닫힌 형태로 계산한다. 이는 기존 연구가 로컬 좌표에 맞춰 방사량을 재표현하거나, 혼합 성분의 이방성을 포기해야 했던 문제를 해결한다.

4. k‑d 트리 가속: 수천 개의 혼합 성분을 실시간으로 조건부 샘플링해야 하는데, 이를 위해 3차원 공간 차원을 기준으로 동적으로 진화하는 k‑d 트리를 구축한다. 트리는 샘플 밀도에 따라 자동으로 분할·병합되며, 조건부 확률 p(ω_i|x) 를 O(log K) 시간에 조회한다. 이는 고차원 혼합 모델의 선형 비용 문제를 효과적으로 완화한다.

5. EM 기반 온라인 학습: 경로 트레이싱 과정에서 수집된 라디언스 샘플을 이용해 기대값 최대화(EM) 알고리즘을 반복 적용한다. EM 단계는 접선 공간 가우시안의 평균·공분산을 업데이트하고, 새로운 샘플이 들어올 때마다 k‑d 트리를 재구성한다. 이 방식은 초기 모델이 빈약해도 점진적으로 정확한 분포를 학습하도록 만든다.

실험에서는 작은 점광원과 광택 천장이 결합된 장면에서 기존 PPG(Practical Path Guiding) 대비 MAPE가 0.560에서 0.050으로 감소했으며, 동일 오류 수준에서 15배 이상 속도 향상을 달성했다. 특히, 공간‑방향 상관성이 강한 장면에서 SDMM이 제공하는 고차원 표현력이 큰 이점을 만든다.

이 논문은 고차원 가우시안 혼합 모델을 실시간 렌더링에 적용하기 위한 수학적·알고리즘적 기반을 제시함으로써, 향후 복잡한 조명 환경을 다루는 경로 가이딩 연구에 중요한 전환점을 제공한다.