Guiding-Based Importance Sampling for Walk on Stars

一句话总结

把渲染里的”路径引导（path guiding）”思想搬到求解偏微分方程的 Walk on Stars（WoSt）估计器上：用在线学习的神经场解码出 von Mises-Fisher 混合分布，对此前无法重要性采样的递归项做方向重要性采样，从而在同等时间或同等样本预算下显著降低方差。

研究背景

基于蒙特卡洛的偏微分方程求解方法近年在图形学中受到关注，因为它们无需网格剖分、能处理复杂几何、支持局部求值。这一系列方法始于把 Walk on Spheres（WoS）用于 Dirichlet 泊松问题，随后由 Walk on Stars（WoSt）扩展到支持 Neumann 边界条件，已被用于体渲染、流体模拟、热模拟、机器人、形状建模等诸多场景。

但 WoSt 存在方差大、收敛慢的问题，尤其在复杂域或复杂边界条件下更明显。为缓解方差，已有工作借鉴渲染中的方差缩减技术。其中重要性采样是渲染里非常有效的一类，此前也有人对 WoSt 的非递归项（Neumann 贡献、源贡献）做重要性采样。问题在于 WoSt 估计器的递归项：它在计算前既没有闭式表达，也没有形状信息，传统的重要性采样手段（例如下一事件估计 NEE）难以施展，因此原始 WoSt 只能对递归项用均匀方向采样，方差居高不下。

作者观察到：渲染里的路径引导是一种自适应重要性采样，它通过在线学习、从此前样本中估计引导分布，无需先验分布形状，天然契合”递归项形状未知”这一难点。于是他们把路径引导迁移到 WoSt。

方法

整体框架

论文聚焦最典型的带 Dirichlet 与 Neumann 边界的泊松方程：

\[\Delta u(x) = f(x) \text{ on } \Omega,\quad u(x)=g(x) \text{ on } \partial\Omega_D,\quad \frac{\partial u(x)}{\partial n_x}=h(x) \text{ on } \partial\Omega_N\]

单样本 WoSt 估计器把解写成”递归项 + 非递归 Neumann 贡献 + 非递归源贡献”三部分。作者只针对第一项——递归项——做重要性采样。核心思路是学一个定义在方向球面 \(S^{d-1}\)（\(d=2,3\)）上的引导分布 \(p_g\)，使其近似正比于递归被积函数的绝对值：

\[p_g(\nu\mid x_k) \propto \vert u(\nu; x_k)\vert \]

整个求解器以波前（wavefront）风格在 GPU 上批量推进：每一步做几何查询确定球半径，评估边界/源贡献，再用引导分布采样下一步落点；每完成一批走子（walk）就用收集到的信息训练神经场，更新后的分布用于采样下一批。

flowchart TD
    A[评估点 x_k 空间坐标] --> B[多分辨率特征网格编码]
    B --> C[轻量 MLP]
    C --> D[vMF 混合分布参数 + 选择概率 c]
    D --> E{x_k 是否在 Neumann 边界?}
    E -->|是| F[样本反射到有效半球]
    E -->|否| G[直接使用 vMF 混合]
    F --> H[可学习 MIS: 引导 vs 均匀方向]
    G --> H
    H --> I[采样递归项下一步落点]
    I --> J[完成一批走子后在线训练神经场]
    J --> B

关键设计

用 vMF 混合建模引导分布。 采用 von Mises-Fisher 混合模型作为引导分布，因为它有闭式表达、便于拟合与采样，且天然定义在各维度球面上，契合递归项的方向特性。混合分布是 \(K\) 个 vMF 分量的凸组合：

\[V(\nu\mid\Theta) = \sum_{i=1}^{K}\lambda_i \cdot v(\nu\mid\mu_i,\kappa_i)\]

神经场解码空间条件分布。 用一个由多分辨率特征网格加轻量 MLP（3 层、每层 64 神经元）构成的神经场 \(NN(x\mid\Phi)\)，输入空间坐标，输出未归一化的 vMF 混合参数（权重、集中度、均值）以及一个选择概率 \(c\)，再经归一化映射得到合法参数。训练目标是最小化目标分布与 vMF 混合之间的 KL 散度，用单样本蒙特卡洛估计其梯度并反向传播到网格与 MLP，用基于梯度的优化更新。实现基于 tiny-cuda-nn。

Neumann 边界的样本反射。 在 Neumann 边界上，随机游走只有一侧有效，即当 \(\nu\cdot n(x)\le 0\) 时 PDF 必须为 0，而 vMF 混合的样本会覆盖整个球面。作者提出把无效半球的样本沿局部切平面反射回有效半球，PDF 相应写为：

\[p_g(\nu\mid x) = V(\nu_+\mid\Theta(x)) + V(\nu_-\mid\Theta(x))\]

其中 \(\nu_-=\nu_+ - 2(\nu_+\cdot n(x))\,n(x)\)。作者指出，渲染中已有路径引导实现直接拒绝对侧半球样本、且不用截断分布计算 PDF，这在偏微分方程问题上会带来明显性能退化。

可学习选择概率的多重重要性采样（MIS）。 线性椭圆方程常含较平滑区域，这些区域均匀方向采样反而更优，而只依赖学到的分布可能引入方差甚至偏差。作者基于单样本平衡启发式，用一个可学习选择概率 \(c(x)\) 在引导采样与均匀方向采样间混合：

\[\tilde{p}(\nu\mid x) = c(x)\,p_g(\nu\mid x) + (1-c(x))\,p_u(\nu\mid x)\]

\(c(x)\) 同样由神经场解码，用一个带固定比例 \(e=0.2\) 的损失学习，保证无偏并自适应平衡两种采样。

GPU 系统实现。 波前求解器分为逻辑、评估、走子三个阶段，用 Structure-of-Arrays 内存布局与线程安全队列在核函数间传数据；神经场与 WoSt 积分器跑在不同 CUDA 流上并行执行。由于官方 Zombie 仅 CPU、FCPW 的 Slang 与 tiny-cuda-nn 集成困难，作者自研了基于线性 BVH 的 CUDA 几何查询库，并用 NanoVDB 做 2D/3D 稀疏源查询。

实验结果

实验在 AMD EPYC 9754 处理器加 RTX 4090D GPU 上完成，用相对均方误差（relMSE）作为量化指标，在等时间与等样本两种条件下与原始 WoSt 对比，数据集包括 6 个 3D 几何问题（覆盖 Dirichlet、源、Neumann 以及含正负值的情形）和 2D 扩散曲线（Fille、Ladybug）。所有实验用 1024×1024 评估网格、每点 1024 走子（wpp），无预训练。结果显示在所有问题上本方法都在定性与定量上优于原始 WoSt；虽然同 wpp 下运行更慢，但等时间条件下方差缩减足以抵消开销。

关于 MIS 可学习选择概率的消融（relMSE，越低越好）：

问题	仅均匀采样	固定 c(x)=0.5	仅引导采样	本方法
Bob	0.00385	0.00181	0.00136	0.00098
Bunny	0.01511	0.00690	0.00591	0.00564
Dragon	0.00353	0.00158	0.00135	0.00088
Gear	0.00153	0.00085	0.00075	0.00072
Bottle	0.00459	0.00305	0.00288	0.00274
Fille	0.00523	0.00210	0.00241	0.00208

评估还表明：训练批大小取总 wpp 的四分之一是合理折中（训练步是阻塞的，对运行时影响大，而模型收敛较快）；vMF 分量数从 4 增到 8 有显著提升，增到 16 收益不明显还增加运行时。Neumann 边界反射的消融显示，不反射会让边界附近方差比原始 WoSt 更差，加入反射后方差显著下降。

亮点与局限

亮点：这是首个针对 WoSt 递归项做重要性采样的方法，填补了此前只能用均匀方向采样的空白；把渲染中的路径引导、vMF 混合、神经场编码与 MIS 系统性迁移到偏微分方程求解；针对 Neumann 边界提出样本反射这一契合物理约束的处理；配套一个实用的波前 GPU 实现与自研 CUDA 几何/源查询库。

局限（作者自述）：一是正化（positivization）问题，对实值被积函数无法用正值 PDF 消除符号方差；二是无法单独处理 delta 边界或 delta 源，需与 Reverse Walk Splatting 或类 NEE 手段结合；三是当前只讨论了带 Dirichlet/Neumann 的泊松方程，未涉及 Robin 边界与其它偏微分方程；四是只对递归项做重要性采样，源项其实是 \(d\) 维而非 \(d-1\) 维方向分布，可能有更好的采样策略（如光树）。

延伸思考

这篇工作最有意思的地方在于把”蒙特卡洛偏微分方程求解”与”蒙特卡洛渲染”之间的桥梁又拓宽了一步：递归项之于 WoSt，恰如递归的入射辐射之于渲染方程，两者都缺乏先验形状信息，因而路径引导这类在线自适应方法几乎可以直接类比迁移。作者也明确指出本方法与已有的控制变量、缓存类方差缩减方法在理论上正交，二者结合有望进一步降方差，这为后续把整套渲染方差缩减工具箱（NEE、光树、可微引导等）系统性移植到偏微分方程求解上留出了清晰的路线图。