경로 추적을 위한 적응형 샘플링: 초저밀도(1샘플 미만) 실시간 렌더링 혁신

초록

본 논문은 1 spp 이하의 극히 낮은 샘플링 예산에서도 작동 가능한 end‑to‑end 적응형 샘플링·디노이징 파이프라인을 제안한다. 샘플 밀도를 확률적으로 해석해 미분 가능하게 만들고, 톤매핑을 포함한 지각 기반 손실(MILO)으로 학습한다. 또한, 희소 입력에 강인한 피라미드형 gather 필터와 학습 가능한 알베도 디모듈레이션을 도입해, 슈퍼‑해상도 방식보다 그림자 경계·반사 하이라이트 등 시각적으로 중요한 디테일을 크게 향상시킨다.

상세 분석

이 연구는 실시간 경로 추적이 1 spp 이하의 샘플링 예산으로도 품질을 유지해야 하는 상황을 목표로 한다는 점에서 기존 작업과 차별화된다. 핵심 기여는 세 가지이다. 첫째, 샘플 밀도 맵을 연속값으로 예측한 뒤 이를 확률적 이산화(stochastic discretization) 과정에 넣어 기대값 기반 그래디언트를 추정한다. 이는 기존의 정수 라운딩이나 근사 그라디언트가 희소 샘플링에서 거의 0이 되는 문제를 해결한다. 둘째, 렌더링 결과를 바로 톤매핑하고, 미분 가능한 파라메트릭 톤매핑 연산자를 통해 인간 시각에 맞는 지각 손실(MILO)을 적용한다. 이때 어두운 영역이나 과다 노출 영역에서 발생하는 큰 선형 오류가 실제 시각적 왜곡으로 이어지지 않음을 고려한다. 셋째, 디노이저는 피라미드형 gather 필터와 학습 가능한 알베도 디모듈레이션을 사용한다. 피라미드 구조는 대부분의 픽셀이 샘플을 갖지 않는 경우에도 다중 스케일 정보를 융합해 안정적인 복원을 가능하게 하며, 디모듈레이션은 전통적인 알베도 분해가 없을 때도 텍스처 세부를 보존한다. 또한 샘플러와 디노이저가 동일한 라테인트 피처를 공유함으로써, 샘플러는 디노이저가 어려워하는 영역에 샘플을 집중하고, 디노이저는 그 배분 패턴에 맞춰 필터 파라미터를 조정한다. 실험 결과는 0.25 spp(50 % 슈퍼‑해상도) 상황에서 기존 DLSS‑4RR, NPPD 등과 비교해 PSNR·SSIM·LPIPS 모두 크게 앞서며, 특히 반사 하이라이트와 그림자 경계 같은 고주파 영역에서 눈에 띄는 복원을 보여준다. 또한, 샘플링 예산을 더 높은 해상도로 늘릴 경우에도 적응형 배분이 더욱 정밀해져 품질 향상이 지속되는 점을 확인한다. 전체 파이프라인은 훈련 시에만 미분 가능한 톤매퍼를 사용하고, 추론 단계에서는 기존 엔진 톤매퍼와 교체 가능하도록 설계돼 실제 게임 엔진에 손쉽게 통합될 수 있다.