G³周报(6)

Graphics, GIS, and Beyond

这是一份每周三发布的精选技术要闻摘要，涵盖图形学、GIS、编程。

ReGIR - An advanced implementation for many-lights offline rendering

ReGIR: 面向 多光源离线渲染的高级实现

• 引入基于 Reservoir‑based Grid Importance Resampling (RIS) 的 Grid Importance Resampling (ReGIR) 技术，用以解决海量光源环境下的采样效率与噪声问题。
• 提出使用哈希网格（hash grid）代替常规格网，并在网格填充阶段结合“功率/距离/角度/可见性”等目标函数，显著提升采样质量。
• 通过加入可见性缓存 (NEE++)、BSDF 近似与空间/时间/可见性复用机制，改善渲染稳态、降低方差，展示出与传统功率采样相比的实际提升。
• https://tomclabault.github.io/blog/2025/regir/

基于 Jackknife 的透射率与 MIS 权重估计

• 在蒙特卡罗体积渲染中，常规方法先估计光学深度 $\tau$，再用 $exp(−\tau)$ 估算透射率，但由于 Jensen 不等式通常高估透射率。
• 提出一种偏置但低成本、确定性的透射率估计器：通过两组不同随机数下的分层抖动射线行进来近似 τ 为正态分布，然后使用 UMVU （最小方差无偏估计器）估算 $exp(−\tau)$，并辅以方差感知的重要性采样。
• 将这一理论推广至估计任意 τ 的解析函数，如多重重要性采样（MIS）权重；并提出两种积分器：一种“无偏 MIS + 偏置权重”，另一种“更高效但整体带偏”的 MIS + 透射率组合。
• https://momentsingraphics.de/SiggraphAsia2025.html

如何读论文

• 研究人员每年花大量时间阅读论文，但很少系统学习“如何读”。本文提出一种高效的“三遍阅读法”，帮助读者在有限时间内掌握论文主旨。
• 第一遍：快速浏览题目、摘要、引言、各级标题与结论，略看公式，形成总体印象。
• 第二遍：更仔细地阅读，关注主要论点与关键图表，但仍忽略推导与细节。
• 第三遍：深入理解算法、证明与实验细节，直至能复现或评价工作。

良好导师指导是博士生满意度的关键

• 积极指导关系提升满意度：调查显示，与导师每周见面超过一小时的博士生满意度（约82%）显著高于见面不足一小时的群体（约69%）。巴西和澳大利亚的学生满意度最高，其导师关系以开放、协作和相互尊重为特点。
• 导师投入带来双向受益：导师在指导学生过程中不仅能提升学生的士气与表现，自身也能从中获益，如学习新技术、开拓新领域，并带领更具生产力和合作精神的团队。
• 欺凌与支持不足仍是严峻挑战：约43%的受访者曾遭受歧视或骚扰，其中近四成涉及导师欺凌。仅28%的受害者感到能够无惧报复地举报。此外，职业发展压力与发表压力也凸显了系统性支持的必要性。
• https://www-nature-com.tudelft.idm.oclc.org/articles/d41586-025-03416-7

扩散模型原理

• 从三种视角解析扩散模型：变分视角（逐步去噪）、得分基视角（学习数据分布梯度）、流式视角（通过速度场从噪声演化至数据）——揭示它们共享的数学骨架。
• 通过定义一个将数据逐渐转变为噪声的前向过程，再学习逆过程以恢复数据分布，从而将复杂数据分布映射为简单先验。
• 探讨可控生成（guidance）、高效数值求解器与基于扩散理念的流映射模型，为理解和设计新型生成网络提供概念与数学基础。
• https://www.arxiv.org/abs/2510.21890

AI绘画与佛学：意识、创造与无我之境

• 探讨人工智能绘画与佛学“无我”“缘起”“空性”等思想的关联，思考创作主体与意识的界限。
• 认为AI生成艺术可视为“无作者之作”，映射出佛学对自我与形式的超越理解。
• 指出人类艺术家在AI时代的角色将由“创作者”转向“觉察者”，通过与算法的互动反观心性与审美本质。
• 他在绘画作品的选择上非常有代表性，从《溪山行旅图》到《向日葵》，从水彩到油画，再到拉斐尔的工作室。这一路像是一场视觉史的浓缩。尤其是当想到米开朗基罗与拉斐尔在梵蒂冈的复杂关系时，会更深刻地体会到“创作”与“使用”视觉语言的区别。看前五分钟的时候确实有一种来自历史的震撼。
• https://www.bilibili.com/video/BV1Sg4wzBE8i/

思考：编程会被AI取代吗？

• 自动化与替代风险：Code Review、测试工程等重复性、高规则性的工作最先被AI替代，程序员在这些环节的需求将大幅下降
• 效率提升与基础编程：基础或模板化代码生成将被AI极大优化，普通功能开发的门槛和成本几乎归零，程序员的数量需求会相应减少
• 最有趣的是文档（接口注释），它已经不再是单纯的输出物，而变成了真正的协作空间。文档不仅承载文字，更是人与AI共同思考、迭代的接口。因此，这类工作呈现出一种奇异的状态：既重要又可有可无，既不会被取代又极易被取代，像薛定谔的猫一样不存在一样的存在
• 程序员的核心竞争力是什么？一个优秀的程序员还有必要写代码吗？我们应该如何与AI相处？

显然，如何合理的使用AI，则会极大的提高工作效率。但同时也不可避免的减少码农的数量。面对时代的大江大河，懂得永恒，得要我们 进化成更好的人，还是听歌吧。