Ускоренная кроссплатформенная реализация дифференцируемого рендеринга функций расстояний со знаком

Восстановление параметров сцены по изображениям (обратный рендеринг) является востребованной задачей и важным направлением в компьютерной графике и зрении. В настоящее время для решения этой задачи все чаще применяется дифференцируемый рендеринг, основанный на градиентных методах оптимизации. В данной работе представлены усовершенствования метода дифференцируемого рендеринга функций расстояния со знаком, предложенного в 2024 году, а также его кроссплатформенная реализация, поддерживающая выполнение на различных типах графических ускорителей. Таким образом, обеспечивается независимость от оборудования конкретного производителя и расширяется применимость метода в разнородных аппаратных конфигурациях. В нашей работе предлагаются две ключевые модификации. Во-первых, стандартный метод трассировки луча мы заменяем методом Ньютона и аналитическим методом, адаптированными к задачам дифференцируемого рендеринга. Кроме этого, мы разбиваем вычисление производных по текстурным и геометрическим параметрам сцены на две части, соответствующие внутреннему и граничному интегралам. Такое разбиение уменьшает число выборок метода Монте-Карло, необходимых для оценки градиентов по текстуре, и позволяет распределить вычисления между двумя шейдерами. В результате разработанная реализация дифференцируемого рендеринга достигает ускорения до трех раз по сравнению с базовой реализацией, сохраняя при этом исходную точность.

1. Loper M.M., Black M.J. OpenDR: An Approximate Differentiable Renderer, in Computer Vision. ECCV 2014, Zurich, Switzerland, 2014.

2. Mildenhall B., Srinivasan P.P., Tancik M., Barron J.T., Ramamoorthi R., Ng R. NeRF: representing scenes as neural radiance fields for view synthesis, Commun. ACM, 2021, vol. 65, no. 1, pp. 99–106.

3. Kerbl B., Kopanas G., Leimkuehler T., Drettakis G. 3D Gaussian Splatting for Real-Time Radiance Field Rendering. ACM Trans. Graph., 2023, vol. 42, no. 4, pp. 1-14.

4. Wang P., Liu L., Liu Y., Theobalt C., Komura T., Wang W. NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction. In Advances in Neural Information Processing Systems, 2021.

5. Müller T., Evans A., Schied C., Keller A. Instant neural graphics primitives with a multiresolution hash encoding. ACM Trans. Graph., 2022, vol. 41, no. 4, pp. 1-15.

6. Li Z., Müller T., Evans A., Taylor R. H., Unberath M., Liu M.-Y., Lin C.-H. Neuralangelo: High-Fidelity Neural Surface Reconstruction. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, 2023.

7. Park J.J., Florence P., Straub J., Newcombe R., Lovegrove S. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation. In IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, California, 2019.

8. Wang Y., Han Q., Habermann M., Daniilidis K., Theobalt C., Liu L. NeuS2: Fast Learning of Neural Implicit Surfaces for Multi-view Reconstruction. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), Paris, 2023.

9. Dogaru A., Ardelean A.T., Ignatyev S., Zakharov E., Burnaev E. Sphere-Guided Training of Neural Implicit Surfaces. In IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Los Alamitos, California, 2023.

10. Li T.-M., Aittala M., Durand F., Lehtinen J. Differentiable Monte Carlo ray tracing through edge sampling. ACM Trans. Graph., 2018, vol. 37, no. 6, pp. 1-11.

11. Loubet G., Holzschuch N., Jakob W. Reparameterizing discontinuous integrands for differentiable rendering. ACM Trans. Graph., 2019, vol. 38, no. 6, pp. 1-14.

12. Bangaru S.P., Li T.-M., Durand F. Unbiased warped-area sampling for differentiable rendering. ACM Trans. Graph., 2020, vol. 39, no. 6, pp. 1-18.

13. Nicolet B., Jacobson A., Jakob W. Large steps in inverse rendering of geometry. ACM Trans. Graph, 2021., vol. 40, no. 6, pp. 1-13.

14. Vicini D., Speierer S., Jakob W. Differentiable signed distance function rendering. ACM Trans. Graph., 2022, vol. 41, no. 4, p. 18.

15. Sethian J.A. A Fast Marching Level Set Method for Monotonically Advancing Fronts. In National Academy of Sciences of the United States of America, Washington, 1996.

16. Zhao H. A fast sweeping method for Eikonal equations. Math. Comp., 2005, vol. 74, pp. 603-627.

17. Wang Z., Deng X., Zhang Z., Jakob W., Marschner S. A Simple Approach to Differentiable Rendering of SDFs. In SIGGRAPH Asia 2024 Conference Papers, Tokyo, 2024.

18. Wang Z. The official implementation for 'A Simple Approach to Differentiable Rendering of SDFs'. Available at: https://github.com/zichenwang01/relaxed-boundary, accessed: 03. 02. 2026.

19. Luan F., Zhao S., Bala K., Dong Z. Unified Shape and SVBRDF Recovery using Differentiable Monte Carlo Rendering. Computer Graphics Forum, 2021, vol. 40, no. 4, pp. 101-113.

20. Hart J. Sphere Tracing: A Geometric Method for the Antialiased Ray Tracing of Implicit Surfaces. The Visual Computer, 1996, vol. 12, pp. 527–545.

21. Söderlund H.H., Evans A., Akenine-Möller T. Ray Tracing of Signed Distance Function Grids. Journal of Computer Graphics Techniques (JCGT), 2022, vol. 11, no. 3, pp. 94-113.

22. Budak A.S., Garifullin A.R., Frolov V.A., Galaktionov V.A. Study of Surface Representation Methods Based on Signed Distance Functions. Programming and Computer Software, 2025, vol. 51, pp. 131-139.

23. Frolov V.A., Sanzharov V.V., Galaktionov V.A. Kernel_slicer: high-level approach on top of GPU programming API. In Ivannikov Ispras Open Conference (ISPRAS OPEN), Moscow, 2022.

24. Detrixhe M., Gibou F., Min C. A parallel fast sweeping method for the Eikonal equation. Journal of Computational Physics, 2013, vol. 237, pp. 46-55.

25. Stanford Computer Graphics Laboratory. The Stanford 3D Scanning Repository. Available at: https://graphics.stanford.edu/data/3Dscanrep/, accessed: 03.02.2026.