De partículas a campos: replanteando el mapeo de fotones con campos de fotones gaussianos continuos Abstracto: El modelado preciso del transporte de luz es esencial para la síntesis realista de imágenes. El mapeo de fotones proporciona estimaciones con base física de efectos complejos de iluminación global, como las cáusticas y las interacciones especular-difusas. Sin embargo, su estimación de radiancia por vista sigue siendo computacionalmente ineficiente al renderizar múltiples vistas de la misma escena. Esta ineficiencia se debe al trazado independiente de fotones y a la estimación estocástica de kernel en cada punto de vista, lo que genera computación redundante. Para acelerar la representación multivista, reformulamos el mapeo de fotones como una función de radiancia continua y reutilizable. En concreto, introducimos el Campo Gaussiano de Fotones (GPF), una representación aprendible que codifica las distribuciones de fotones como primitivas gaussianas 3D anisotrópicas, parametrizadas por posición, rotación, escala y espectro. El GPF se inicializa a partir de fotones trazados físicamente en la primera iteración de SPPM y se optimiza mediante la supervisión multivista de la radiancia final, destilando el transporte de luz basado en fotones en un campo continuo. Una vez entrenado, el campo permite la evaluación diferenciable de la radiancia a lo largo de los rayos de la cámara sin necesidad de repetir el trazado de fotones ni refinamiento iterativo. Amplios experimentos en escenas con transporte de luz complejo, como cáusticos e interacciones especulares-difusas, demuestran que GPF alcanza una precisión a nivel de fotones al tiempo que reduce el cálculo en órdenes de magnitud, unificando el rigor físico de la representación basada en fotones con la eficiencia de las representaciones de escenas neuronales.
Artícularxiv.org/abs/2512.12459LFw