Distributed differentiable rendering for Mitsuba 3
Distribuované diferencovatelné vykreslování pro Mitsubu 3
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/207017Identifikátory
SIS: 273104
Kolekce
- Kvalifikační práce [12049]
Autor
Vedoucí práce
Konzultant práce
Gouder, Darryl
Oponent práce
Mirbauer, Martin
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Informatika - Softwarové systémy
Katedra / ústav / klinika
Katedra softwaru a výuky informatiky
Datum obhajoby
10. 2. 2026
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
distribuované vykreslování|Mitsuba 3|diferencovatelné vykreslování|cloudKlíčová slova (anglicky)
distributed rendering|Mitsuba 3|differentiable rendering|cloudMitsuba 3 je výzkumný renderer s podporou automatického počítání derivací a dife- rencovatelného vykreslování. V současnosti umí běžet na jednom CPU nebo GPU, tudíž neumí využít dsitribuovaných výpočtů či strojů s několika GPU. V této práci jsme imple- mentovali knihovnu, pomocí kterého dokáže Mitsuba běžet na více strojích naráz nebo také používat více než jedno GPU na jednom stroji, a to pro přímé vykreslování obrazu i pro diferencovatelné vykreslování. Z uživatelského hlediska má naše knihovna API velmi podobné tomu v Mitsubě. Také jsme implementovali adaptivní samplování obrazu. Tato technika umožňuje rendereru strávit více výpočetního času na náročných částech obrazu, což vede k produkci méně zašumněných obrazů za daný čas v porovnání s klasickým vykreslováním.
Mitsuba 3 is a research-oriented renderer capable of auto-differentiation and inverse rendering. It currently runs on a single CPU or GPU, hence unable to take advantage of distributed computing or multi-gpu systems. Our work provides a library that overcomes this constraint, allowing both the forward rendering and differentiable rendering to occur on a cluster of machines or multiple GPUs on a single machine. This is exposed to the user using an API similar to that of base Mitsuba. We have also implemented adaptive image-space sampling, allowing the renderer to preferrably spend computational resources on demanding regions of the image, which leads to less noisy images at a fixed computation time compared to traditional rendering.
