图1。我们引入了一个时空优化器,该优化器概括了亚当和拉普拉斯平滑(大步骤)。除了时间过滤(如Adam)外,它还将各向异性交叉双侧过滤器应用于跨空间的梯度。我们的跨双边滤波器可以减少梯度噪声,并通过在先前施加分段平滑度来改善各向异性目标的条件。我们的方法可以使(a)纹理,(b)体积和(c)在非常低的样品计数下的纹理和(c)网格的更快收敛和更高质量的逆渲染;所有实验仅使用每个像素的1个样品进行梯度估计。(a)对于100次迭代后粗糙度纹理恢复,我们的方法融合了,而其他方法则具有伪像。(b)用于体积密度和反照率恢复仅50次迭代,我们的方法已经可以恢复粗糙的形状和颜色。更高的样本计数进一步优化可恢复详细信息。(c)对于网格恢复,我们的方法能够比竞争方法更快地恢复尖锐的功能(顶行,立方体)和薄结构(底行,龙)。在窗户上改编的场景©Bernhard Vogl,Autumn Field©Jarod guest and Sergej Majboroda,高分辨率烟雾羽流©Jangafx,Kloppenheim 06©Greg Zaal和Asian Dragon和Asian Dragon©Stanford Computer Graphics Labrications。