GAMES Webinar 2026 – 406期(可微渲染的理论与应用) | 白潇洋（香港大学），鲁昊霖（UCSD），徐沛宇（UIUC）
GAMES Webinar 2026 – 406期(可微渲染的理论与应用)
报告嘉宾：白潇洋 香港大学
报告时间：2026年6月25号 晚上20:00-20:20（北京时间）
报告题目：
非常规视觉模态的可微渲染与三维重建
报告摘要：
基于RGB图像的三维重建方法日臻完善，然而单一视觉模态在面对特殊环境或特殊任务时常常无法捕捉完整的场景信息、并优化出高质量的静态或动态三维模型。因此，我们从事件流及偏振图像两种非常规视觉模态出发，探索它们在高速动态场景重建和高反物体重建及重光照上的应用。就前者而言，我们提出了ERF-GS，一种面向真实场景（稀疏且独立的事件相机视角、动态模糊、较大帧间运动）的4DGS方法，以及EventTracer，一种基于光线追踪、高效且可微的事件流渲染框架。就后者而言，我们提出了PhyGaP，利用对Stokes vector的延迟渲染（PolarDR）建模高反物体的反照率（albedo）、折射率和粗糙度等物理属性，从而准确解耦物体自身颜色和反射光强；进一步地，我们通过构建各点的局部环境图（GridMap）实现了对复杂非凸物体的真实重光照。
讲者简介：
白潇洋现为香港大学计算成像与混合呈现实验室（WeLight Lab）博士后，PI为彭祎帆教授；本科及博士分别毕业于加州大学伯克利分校和伊利诺伊大学厄巴纳-香槟分校；研究方向包括三维动态重建和非常规视觉模态的视觉与图形学应用。
讲者主页：https://suikasibyl.github.io/
报告嘉宾：鲁昊霖 加利福尼亚大学圣迭戈分校
报告时间：2026年6月25号 晚上20:20-20:40（北京时间）
报告题目：
神经求积规则与自回归自适应采样
报告摘要：
蒙特卡罗积分广泛应用于计算机图形学，尤其是在渲染领域。然而，我们发现其存在两个关键局限。首先，对于每个样本，我们通常能够获得丰富的辅助信息，例如样本位置或几何信息；但经典的蒙特卡罗估计器无法有效利用这些信息，而只是对函数值进行平均。其次，蒙特卡罗公式化框架使得采样分布难以自适应地转向真正具有信息量的区域，而这对于信号重建可能至关重要。为解决这些局限，我们认为有必要采用一种超越标准蒙特卡罗方法的采样器与积分器。因此，我们提出了一种端到端的采样—积分方法，利用神经网络联合学习采样器和积分器，使样本能够以更加耦合且原则化的方式被抽取和利用。通过在一组被积函数数据集上进行训练，该估计器还能够利用关于被积函数结构的学习先验，并针对某一类问题进行专门化。
讲者简介：
鲁昊霖就读于加利福尼亚大学圣迭戈分校，一年级博士生，导师是Ravi Ramamoorthi教授，主要研究内容是光传输算法与蒙特卡洛采样和积分。
讲者主页：https://andrewbxy.github.io/
报告嘉宾：徐沛宇 伊利诺伊大学厄巴纳-香槟分校
报告时间：2026年6月25号 晚上20:40-21:00（北京时间）
报告题目：
用于3DGS的无排序Alpha Blending算法
报告摘要：
基于光线追踪的 3DGS（3DGRT）方法克服了光栅化的局限性——例如固定的针孔相机假设、不准确的高斯深度估计，以及缺乏原生反射或折射支持——但由于需要沿每条光线对所有相交的高斯进行排序，其速度仍然较慢，并且极大限制了在可重光照场景中的通用性。
我们提出了一种用于3DGS的可微、无排序的渲染方法。该方法的核心是一个用于可微alpha blending的无偏Monte Carlo算法；它在每条光线上只评估一小部分采样到的高斯，并且绕开了排序需求。我们的光线追踪方法在重建质量和速度上与基于光栅化的 3DGS 相当。对于可重光照 3DGS，这一算法可以实现完全基于光线追踪的重光照，从而相比已有工作实现明显更高的重建保真度。
讲者简介：
徐沛宇就读于伊利诺伊大学厄巴纳-香槟分校，导师是Shuang Zhao教授，主要研究方向是可微渲染与逆渲染。
讲者主页：https://xupaya.github.io/
主持人简介：
王贝贝, 南京大学智能科学与技术学院教授，博士生导师。研究方向为计算机图形学渲染方向。曾在INRIA从事博士后研究，曾作为骨干参与Disney Infinity研发。以第一/通讯作者在ACM TOG, SIGGRAPH (Asia), CVPR等发表论文三十多篇。主持国家自然科学基金面上项目等。担任ACM Transactions on Graphics, Computer Graphics Forum的编委，担任EGSR 2025程序委员会共同主席，SIGGRAPH 2025 Sorting委员会委员以及SIGGRAPH等会议的程序委员会委员。
