Simulation du transport lumineux et apprentissage machine – LUCE

Toutes les simulations numériques optiques basées sur des méthodes stochastiques souffrent d'un bruit intrinsèque lié à la variance mathématique. Actuellement les techniques de débruitage conduisent à des artefacts et pertes de détails. Pour des simulations prédictives et répétables indispensables à la recherche et aux industriels, toutes les lois de la physique doivent être respectées (dépendance à la longueur d'onde et polarisation de la lumière). A partir de données issues de simulations "Iso-Photographiques" représentatives de la réalité et en se basant sur des méthodes d'apprentissage et d’intelligence artificielle, nous proposons d'implémenter une nouvelle méthode d'échantillonnage et de débruitage intégrée au cœur de notre algorithme de résolution (OMEN). Une implémentation HPC sur GPU, autorisera des simulations en temps réel et respectant les valeurs radiométriques et la qualité photométrique pour une exploitation à terme en Réalité Virtuelle/Augmentée. Nos objectifs sont d'utiliser l'apprentissage automatique (ML) pour réduire de manière significative les latences entre chaque étape de rendu tout en maintenant des simulations précises (sans biais). Cette idée d'hybridation vise à montrer que les simulations de rendu fournissent à la fois un point de départ pour l'algorithme de ML, et des données d'entraînement pour les réseaux neuronaux qui seront chargés de raffiner la sortie du modèle.
L'application du ML aux problèmes de rendu n'est pas une nouveauté en soi. Par exemple, il a été démontré que les débruiteurs basés sur la ML sont plus performants que les débruiteurs traditionnels. Actuellement, le débruitage est exécuté comme un filtre de post-traitement sur des images obtenues en faisant la moyenne d'échantillons de couleur. Cela conduit souvent à des artefacts tels que le flou et une perte significative de détails. À cet égard, nos propositions pour améliorer le moteur de rendu OMEN avec le ML visent à (i) intégrer le moteur de rendu - avec ses composantes spectrale et polarisée - plus étroitement avec le débruiteur afin que les échantillons puissent lui être envoyés directement et, en retour, permettre au débruiteur de mieux guider le placement d'autres échantillons, le rendant ainsi responsable de la reconstruction finale de l'image et de l'échantillonnage adaptatif, (ii) permettre à de nouveaux mécanismes - comme les approches d'échantillonnage par importance - d'extraire des informations utiles de diverses estimations et de guider la construction du chemin sous la forme d'échantillons bien placés, et (iii) étudier de nouvelles stratégies d'équilibrage de la charge pour paralléliser efficacement les simulations de transport de la lumière dans un environnement HPC.