Hi,
ich habe an der uni mit markov chain monte carlo gearbeitet. Ist schon lang her nur war es dort immer so dass mit Startparametern gearbeitet wurde und dann sich mit jeder Berechnung dem korrekten Ergebnis angenähert wurde. Im Idalfall war die Verteilung dann eine Gaußverteilung und der Peak der am Nächten am richtigen Ergebnis liegende Wert. Die ersten 10000-15000 Läufe wurden dann verworfen um den Startbias zu entfernen. Das Ganze lief auf Core 2 CPUs also nicht vergleichbar mit dem was eine heutige Grafikkarte leistet und ließ sich schlecht parallelisieren, da ja alle Parameter im Modell auf einmal geändert werden und dann einmal ein Ergebnis vorliegen musste für die nächste Berechnung. Zumindest ist der Code so vorgegangen. Das Modell hatte n frei Parameter. Startparamter vorgegeben und wie stark jeder Werte pro Lauf sich maximal ändern darf. Dann lief das Modell einmal durch. Wenn das Ergebnis besser war als der vorherige Lauf wurde von diesen Werten neu "gesprungen", wenn schlechter von den vorherigen Werten. Nach etwa 50000 Läufen war dann das Ergebnis gut genug.
"Der Clou: Statt alle möglichen Strahlen systematisch zu verfolgen, werden viele zufällige Pfade pro Pixel gezogen und deren Beitrag gemittelt. Mit wenigen Samples entsteht ein stark verrauschtes Bild, mit hunderten oder tausenden Samples verschwindet das Rauschen und übrig bleibt eine sehr genaue Annäherung an die physikalisch korrekte Beleuchtung inklusive weicher Global Illumination, Caustics, Subsurface Scattering, Volumenlicht und mehr."
Wie läuft dass hier ab? Sind die Gfx so schnell dass innerhalb von millisekunden berechnet wird? Oder wird hier ganz anders vorgegangen und tasächlich parallel gerechnet?
EDIT: ok habe tatsächlich mal chatGPT gefragt und verstanden was der Unterschied ist. Pathstracing geht um die Lösung des Integrals. Bei meinem damaligen Problem ging es um das finden von Parametern. Ganz andere Baustelle.
