← 返回 PaperDaily 视觉与图像

告别猜参数：用可微渲染的梯度直接定位场景影响源

打游戏时你有没有想过——这个场景里哪个参数让画面这么亮？哪个材质导致眩光？传统方法得反复调参数试错，而这篇来自Simon Fraser大学的最新论文，把可微渲染的梯度当作“显著性图”，一次反向传播就能告诉你答案。就像Grad-CAM解释神经网络一样，现在轮到渲染器了。

龙哥读论文发布于 2026-08-16 11:00:43 阅读 4 查看原文

#3D渲染

原论文信息如下：

论文标题:
Scene Parameter Saliency via Differentiable Light Transport

发表日期:
2026年7月
发表单位:
Simon Fraser University, Burnaby, Canada
原文链接:
https://arxiv.org/pdf/2607.21562v1.pdf

一、背景：梯度归因从神经网络走向物理渲染

在深度学习领域，有一个非常经典的工具叫 Grad-CAM（Gradient-weighted Class Activation Mapping，即梯度加权类激活映射），它通过计算神经网络输出对输入图像的梯度，生成一个热力图，告诉我们“模型在分类这张图时，到底是盯住了狗的耳朵还是猫的胡子”。这种基于梯度的归因方法，已经成为解释神经网络决策的标准工具。其核心思想在于，通过反向传播得到的梯度幅值能够反映输入特征对最终输出的贡献程度，从而将黑盒模型的部分决策逻辑可视化出来。

现在，Simon Fraser University 的 Linas Beresna 和 Eugene Fiume 提出了一个大胆的类比：如果可微渲染器（Differentiable Renderer）也是一个可微函数，那它输出的梯度，是不是也能做同样的事情？在计算机图形学中，可微渲染器将物理世界的光线传播过程建模为一个可微分的计算图，输入是场景参数（如材质颜色、粗糙度、光源强度、几何位置等），输出是渲染图像。既然这个映射是可微的，那么对于任意一个定义在渲染图像上的标量度量，我们都可以通过链式法则计算该度量对每个场景参数的偏导数。

答案是肯定的。这篇论文的核心贡献就在于，它首次系统性地将梯度归因的思想从神经网络领域迁移到物理渲染领域，并提出了“场景参数显著性”（Scene Parameter Saliency）这一全新概念。与神经网络中的梯度归因不同，这里的梯度是通过物理光线传输方程传播的，因此它天然地包含了多次反射、折射、散射等复杂光学效应的贡献。这意味着，我们不仅可以分析直接可见的物体对度量的影响，还能揭示那些通过间接照明、镜面反射等途径产生影响的“隐藏”因素。

传统上，可微渲染的梯度被用来做“逆渲染”——也就是通过梯度下降优化场景参数，让渲染结果更接近目标图像。这当然很有用，但论文敏锐地指出：这些梯度本身携带的信息远不止优化。它们可以直接作为“场景参数的显著性图”（Saliency Map），告诉我们哪些材质、哪些几何体、哪些光源对某个特定度量（Metric）影响最大。这种视角的转变，类似于从“梯度作为优化工具”到“梯度作为分析工具”的范式跃迁。在逆渲染中，我们关心的是如何改变参数以匹配目标；而在显著性分析中，我们关心的是哪些参数对当前结果负有主要责任。

更厉害的是，这个传播过程不是通过神经网络的黑盒权重，而是直接通过物理光线传输本身——包括多次反弹的间接照明。这意味着，那些人类直觉很难判断的、隔了好几层反射才产生的物理依赖关系，梯度可以精确捕获。例如，在一个复杂的室内场景中，一盏吊灯发出的光线经过天花板漫反射、墙壁二次反射、最终照亮一个角落的雕塑，这个雕塑的材质属性对整体亮度的贡献可能远大于其直接可见面积所暗示的。传统的敏感性分析方法（如有限差分）需要逐个参数扰动并重新渲染，成本极高；而梯度方法只需一次反向传播即可获得所有参数的敏感性信息。

比如，一个离光源隔了三面墙的墙壁，通过漫反射间接照明，可能对某个眩光指标的影响比灯具本身还要大。这种非直观的依赖关系，通过一次反向传播就可以揭示。论文中给出了一个具体例子：在厨房场景中，UGR（统一眩光评分）的显著性图高亮了金属餐具和镜面，而不是直接光源本身。这是因为这些高反射表面将光源的像反射到观察者眼中，形成了二次光源，其眩光贡献甚至超过了原始光源。这种洞察对于照明设计师来说极具价值，因为它指明了最有效的干预点——也许不是调暗灯具，而是更换餐具材质或调整其摆放角度。

二、方法：一次反向传播获得场景参数显著性图

论文的方法非常简洁，核心就三步：渲染 → 打分 → 反向传播。具体来说，首先使用可微渲染器（如Mitsuba 3）对场景进行一次正向渲染，得到图像I。然后，定义一个标量度量M（例如平均亮度、UGR眩光评分、神经网络分类logit等），该度量是图像I的函数。最后，通过自动微分框架计算M对场景参数θ的梯度∂M/∂θ。这个梯度向量中的每个分量就对应着相应参数对度量的局部敏感性，即显著性。

整个过程可以用一个简单的链式法则来表示：

∂M / ∂θ = (∂M / ∂I) · (∂I / ∂θ)

其中，M 是我们关心的标量度量（比如图像平均亮度、眩光评分、神经网络分类分数），θ 是所有可微场景参数（材质颜色、粗糙度、折射率、光源强度等），I 是渲染出的图像。这个链式法则将梯度分解为两部分：度量对图像的梯度（∂M/∂I）和图像对场景参数的梯度（∂I/∂θ）。前者通常很容易计算，因为M是I的显式函数；后者则由可微渲染器提供，它编码了光线传输过程对参数的依赖关系。

论文使用的渲染器是 Mitsuba 3，这是一个基于物理的蒙特卡洛路径跟踪器，并且由 PRB（Path Replay Backpropagation，路径重放反向传播）方法提供了高效的内存和梯度估计支持。PRB 是 Nimier-David 等人在 2019 年提出的技术，能够通过重放光线路径来降低可微渲染的显存开销和方差。其核心思想是：在正向渲染阶段，记录每条光线的路径信息（包括交点、BSDF采样方向等）；在反向传播阶段，重放这些路径并计算梯度，从而避免存储完整的计算图。这使得处理包含数百万条光线的复杂场景成为可能。

计算得到梯度后，论文面临一个可视化问题：梯度是在参数空间里的，每个分量对应一个材质属性，而不是对应像素。为了在图像空间展示，论文设计了一个映射流程，如下图所示：

图2：图像空间显著性映射。每个像素的材质身份（场景物体）根据其对应的参数灵敏度（场景梯度）着色，生成最终的度量特定热力图。

具体做法是：从相机发射主光线，在每个交点处记录命中物体的材质ID，得到一个逐像素的材质身份图（类似实例分割或者 Cryptomatte 技术）。然后，每个像素的颜色被设置为该材质对应的参数显著性值（即梯度的ℓ2范数）。这样，最终的热力图就能直观地反映哪些区域正在“驱动”当前度量。需要注意的是，如果一个像素对应多个材质（例如通过半透明物体看到后面的物体），论文采用了一种加权平均策略，根据各材质对像素颜色的贡献比例来分配显著性值。这种映射方式确保了可视化结果与人类的视觉直觉对齐——高亮区域就是那些对度量影响最大的可见表面。

为了验证方法的普适性，论文选取了三个截然不同的度量族：

平均亮度（Mean Luminance）作为一个最简单的基线，它衡量图像的整体亮度。理论上，显著性图应该突出可视面积大、反射率高的表面。这个度量的梯度计算非常直接，∂M/∂I是一个常数向量（每个像素的权重相等），因此显著性完全由∂I/∂θ决定，即渲染器对参数的敏感性。

统一眩光评分（UGR，Unified Glare Rating）这是由国际照明委员会（CIE，Commission Internationale de l'Éclairage）在1995年标准化的一个心理视觉指标，用于评估建筑照明中的不舒适眩光。它聚合了光源的亮度、立体角、位置权重和背景亮度，是一个高度非线性的函数。UGR的计算公式为：UGR = 8 log10 [ (0.25/L_b) Σ (L² ω / p²) ]，其中L_b是背景亮度，L是每个光源的亮度，ω是光源的立体角，p是位置指数。这个公式对每个光源的亮度L非常敏感（平方项），因此UGR的梯度会强烈地指向那些亮度高、立体角大且位置敏感的光源或反射面。

神经感知分数（Neural Perceptual Score）为了验证方法能扩展到学习到的度量，论文使用预训练的ResNet-50分类器的softmax之前的类logit作为度量。梯度需要同时流过神经网络和物理渲染器，揭示的是两者共同作用下的参数敏感性。这个实验特别有趣，因为它将两个完全不同的可微系统（物理模拟和神经网络）连接在一起，形成了一个端到端的可微管道。梯度可以一路从分类分数流回场景参数，告诉我们神经网络在“看”什么物理特征来做决策。

三、实验：不同度量下显著性截然不同，物理直觉被量化

论文在标准的室内场景（餐厅、厨房、客厅）上进行了实验，使用 PRB 方法和 Mitsuba 3 渲染器，追踪最多六次弹射的光线，每像素采样数（Samples Per Pixel, spp）为 1024。这些场景包含了丰富的材质类型（漫反射、光泽、镜面、透明）和复杂的光照条件（直接照明、间接照明、焦散），能够全面检验方法的有效性。实验在一台配备NVIDIA RTX 3090 GPU的工作站上进行，每个场景的正向渲染和反向传播总耗时约30-60秒。

图3：度量特异性的可视化。虽然提取梯度可以精确地排名场景参数（第一行），但将数据映射回3D场景（第二行）允许直观的空间可视化。在多个场景中，UGR评估隔离出驱动不舒适眩光的高度局部化反射表面（例如，镜子或金属餐具）。相反，平均亮度评估则将注意力完全转移到驱动全局照明的大表面。

图3 是论文最核心的实验结果之一。上半部分是直方图，展示了参数梯度的精确排名；下半部分是将这些排名映射回3D场景后的可视化热力图。直方图以参数名称为横轴，以梯度幅值（ℓ2范数）为纵轴，清晰地显示了哪些参数对度量影响最大。例如，在UGR的直方图中，“mirror_roughness”和“metal_fork_roughness”的柱状图远高于其他参数，表明这些高反射表面的粗糙度是控制眩光的关键。

从图中可以非常清楚地看到：

UGR 的显著性图精准地定位到了那些产生高反射的区域——客厅里的镜子和厨房里的金属餐具。这些表面将光源反射到观察者眼中，是眩光的直接物理成因。值得注意的是，UGR显著性图并没有高亮光源本身（如吊灯），因为光源的亮度虽然高，但其立体角和位置指数可能使得其UGR贡献不如反射面。这验证了梯度方法能够捕捉到度量定义中的非线性交互作用。

平均亮度的显著性图则是完全不同的面貌——注意力转移到了大面积的漫反射墙壁、天花板和地板。因为它们是场景中面积最大且反射率稳定的表面，对总亮度贡献最大。在平均亮度度量下，一个微小的漫反射率变化就能显著改变整体亮度，而镜面反射率的微小变化只会改变高光区域的分布，对总亮度影响甚微。这种差异完全由梯度反映出来。

这一对比有力地证明了论文的核心论点：显著性图是度量特定的（Metric-Specific），不是场景固有的属性。同一个场景，换一个度量，高亮区域就完全不同。这种信息是单独看渲染图或单独看一个数字所无法获得的。例如，一张渲染图可能看起来很亮，但设计师不知道是应该降低光源强度还是降低墙面反射率。通过平均亮度的显著性图，设计师可以立即看到墙面反射率是主要驱动因素，从而做出有针对性的调整。

接下来看神经感知度量的结果，如下图所示：

图4：语义归因映射到3D参数空间。显著性图显示了哪些材质作为分类logit的线索。

论文对一张餐厅场景图进行分类，类别是“折叠椅”（folding chair，类别索引559）。令人惊奇的结果是：梯度流从神经网络的潜在空间直接流回物理渲染器，显著高亮的区域不仅是椅子的几何边缘，还包括左侧的铬材料墙面。这面墙具有高度反射性，它反射了场景中其他物体的形状和光泽，间接帮助了分类器“看到”椅子的特征。这就揭示了神经网络并不是只靠直接的几何线索在识别，而是也在利用反射等物理光学线索。这个发现对于理解视觉系统的感知机制具有重要意义，也展示了可微渲染作为“物理先验”在解释神经网络行为方面的独特价值。

论文还进一步分析了神经感知度量的梯度在不同类别上的差异。例如，当分类目标从“折叠椅”改为“餐桌”时，显著性图的高亮区域会从铬墙面转移到桌面的木纹材质上。这表明，神经网络对不同类别的识别依赖于不同的物理特征，而梯度方法能够精确地捕捉到这种依赖关系的变化。这种“类别特异性归因”是传统Grad-CAM在像素空间无法直接提供的，因为Grad-CAM只能显示图像中哪些像素重要，而无法区分这些像素对应的物理属性是什么。

四、验证：梯度排名与实际物理影响高度吻合

梯度毕竟是一个局部一阶近似，它真的能反映参数的真实物理影响吗？论文设计了一个独立消融验证实验来回答这个问题。这个验证实验的核心思想是：如果梯度排名是准确的，那么沿着梯度方向对参数进行微小扰动后，度量M的实际变化量应该与梯度幅值成正比。

验证流程非常直接：对于排名靠前的每个参数，直接沿着梯度方向（即下降方向）做一个很小的一步梯度下降，学习率设为0.01，然后重新用非可微渲染器评估度量M的真实变化量。如果梯度排名准确，那么真实变化量的顺序应该与梯度排名一致。这里的关键在于，验证步骤使用的是非可微渲染器（即标准的蒙特卡洛路径追踪，不计算梯度），因此测量到的变化量是真实的物理变化，不受梯度估计误差的影响。学习率0.01的选择经过精心校准，确保参数变化足够小以保持局部线性近似有效，同时又足够大以产生可测量的度量变化。

图5：独立消融验证。参数严格按计算得到的梯度幅值排序（y轴）。进行一个小的梯度下降步骤后，得到目标度量的绝对变化（x轴）。UGR评价（a）完美地镜像了计算出的显著性排名，而平均亮度评价（b）则突显了全局随机度量的噪声地板挑战。

结果是相当令人振奋的。对于UGR这样高度非线性和局部的度量（图5a），真实测量值的变化曲线完美地递减，与梯度排名严格单调一致。这意味着，只进行一次反向传播，就成功替代了数十次昂贵的有限差分模拟，精准识别出了眩光的真正物理驱动力。具体来说，排名第一的参数（镜面粗糙度）的梯度步长导致UGR下降了约0.8个单位，而排名第二的参数（金属叉粗糙度）导致下降了约0.5个单位，依此类推。这种单调递减关系在多次重复实验中保持稳定，验证了梯度排名的可靠性。

对于全局的平均亮度度量（图5b），排名第一的参数确实主导了变化，但靠后的几个参数出现了轻微的偏差。论文诚实地指出了这个挑战的根本原因：

噪声地板（Noise Floor）当绝对度量变化低于10−4单位时，测量值会淹没在蒙特卡洛路径追踪的随机噪声中。平均亮度是一个全局度量，其值通常在0到1之间，10−4的变化量已经接近浮点精度和采样噪声的极限。因此，对于排名靠后的参数，其真实影响可能被噪声掩盖，导致排名出现轻微错乱。论文建议，对于低显著性参数，可以增加采样数或使用降噪技术来提高测量精度。

跨物理域的一致性对漫反射率和折射率（η）施加相同的梯度步长，由于菲涅耳效应的非线性，会产生不同的宏观行为。例如，折射率从1.5变化到1.51与漫反射率从0.5变化到0.51，虽然梯度步长相同，但前者对渲染结果的影响可能远小于后者，因为菲涅耳效应在常见角度下对折射率变化不敏感。这为未来的研究指明了方向，比如引入参数自适应步长或二阶海森近似，以更公平地比较不同物理域的参数显著性。

五、局限与展望：局部性、噪声与度量可微的边界

论文在结论部分展现了非常严谨的学术态度，主动列举了几个重要的局限和未来方向：

蒙特卡洛梯度估计的方差在采样样本数较低时，个别参数的显著性值可能不准确。论文的实验表明，在64到256 spp时排名已比较稳定，但更精细的逐像素空间变化场需要更高的采样预算或降噪技术。梯度估计的方差主要来源于路径追踪的随机性，特别是在处理间接照明和光泽材质时。论文建议，对于实际应用，可以先使用低采样数（如64 spp）进行快速筛选，然后对排名靠前的参数使用高采样数（如1024 spp）进行精确分析。

度量必须可微如果度量中包含硬阈值或离散决策（如二值的眩光源检测），就必须将其松弛为平滑近似（如使用Sigmoid函数代替阶跃函数）。不同的松弛选择会影响结果，这在实践中需要谨慎处理。例如，如果UGR的阈值是22（超过则视为不舒适），那么一个二值的“是否超过阈值”度量是不可微的。论文建议使用Sigmoid函数进行松弛，但Sigmoid的温度参数会影响梯度的平滑程度和准确性。这是一个需要领域知识和实验调优的步骤。

局部一阶近似梯度幅值只反映局部第一阶灵敏度，不捕捉参数间的交互效应。一个高显著性的参数可能在物理上是固定的（比如不可更换的装饰墙面），无法在实际上做调整。二阶的海森分析可以提供更丰富的信息，但计算成本也会大增。论文指出，对于存在强交互效应的参数（例如，同时改变光源强度和墙面反射率可能产生协同效应），一阶梯度可能会低估或高估单个参数的重要性。未来的工作可以探索使用海森矩阵的对角元素或低秩近似来捕捉二阶效应。

论文最后提出了一个非常优美的观点：渲染的目的一直是“让看不见的东西变得可见”，而可微渲染的导数图像，也应该被赋予与主图像同等的地位——它们是结构化的、可解释的、为人类眼睛而生的。这个观点将可微渲染从一种优化工具提升为一种可视化分析工具，为计算机图形学开辟了新的研究方向。正如Grad-CAM让神经网络不再是完全的黑盒，场景参数显著性图也让物理渲染过程变得更加透明和可理解。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文要解决的核心问题是什么？传统上，我们看一张渲染图，只能看到最终的结果（比如这张图很亮、很眩目），但如果要调整场景，设计师只能凭经验猜测：是调高墙面反射率？降低灯具亮度？还是改变材质粗糙度？这篇论文提供了一种工具，通过一次反向传播，直接告诉你哪个参数对某个具体度量（如眩光、亮度、分类分数）影响最大，把定性猜测变成了定量归因。这类似于在医学影像中，医生不仅看到病灶，还能知道哪些组织特征对诊断最重要。

什么叫“可微渲染器”？它跟普通渲染器有什么不同？普通渲染器（比如游戏引擎）只输出一张图像，你无法根据图像去计算“墙面颜色再红一点”会引起什么梯度上的变化。而可微渲染器把整个渲染过程变成了一个可微分的数学函数，这样你就可以对场景参数（材质、灯光、几何）求导，得到梯度。这个梯度可以用来做优化（逆渲染），也可以像这篇论文那样做可视化分析。目前主要的可微渲染框架包括 Mitsuba 3、PyTorch3D、ThreeDWorld 等。可微渲染器的核心挑战在于处理光线传输中的不连续性（如阴影边界、镜面反射），现代方法通过边缘采样、平滑近似等技术来解决这些问题。

这个方法在落地时有什么坑？有。要确保你关心的度量是可微的。对于很多工程领域用得很多的“硬”指标（比如“是否触发报警”这种离散判断），必须先用平滑近似（如Sigmoid）替代。这些近似方式的选择会影响结果。另外，由于梯度是局部一阶的，它假设参数的变化空间是连续的，面对材质物理边界（如粗糙度不能超过1）时需要特别处理，否则梯度会建议你去做一个物理上不可能的改变（比如要让墙面比100%镜面还亮）。此外，梯度对参数尺度的敏感性也需要关注：一个取值范围在0-1的参数和一个取值范围在0-1000的参数，即使真实重要性相同，前者的梯度幅值也会远小于后者。因此，在实际应用中，建议对参数进行归一化或使用相对梯度（如弹性系数）来进行比较。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

将神经网络的可解释性思想直接迁移到物理渲染领域，思路非常巧妙，且提供了原创性的实验验证。虽然梯度本身不是新概念，但将其作为“最终输出”而不是“优化中间量”来看待，是一个关键的认知转变。这种跨领域的类比和迁移，往往能催生出意想不到的新工具和新视角。

实验合理度：★★★★★

设计清晰，从简单的基线到复杂且合适的非线性UGR和神经网络指标，覆盖全面。特别是独立消融验证（图5）是一个锦上添花的亮点，令人信服。实验场景的选择也具有代表性，涵盖了常见的室内照明条件。唯一的遗憾是缺少对室外自然光场景的验证，但这不影响论文核心结论的可靠性。

学术研究价值：★★★★★

开创了一种全新的“可微渲染即解释”的分析范式。对于建筑照明、视觉设计、具身AI感知等领域可能产生深远影响，提供了一系列新的研究问题。例如，如何将显著性图用于自动场景优化？如何结合人类视觉感知模型设计更符合直觉的度量？这些方向都值得深入探索。

稳定性：★★★☆☆

依赖蒙特卡洛采样的结果具有随机性，虽然实验表明64-256 spp时排名稳定，但逐像素精细场稳定性仍需更多采样或后处理。对精度要求极高的场景（如医疗模拟）需要谨慎。建议在实际应用中，对每个参数进行多次梯度估计并取平均，以提高稳定性。

适应性以及泛化能力：★★★★☆

原则上适用于任何可微渲染器和任何可微度量，已被验证能够处理多种不同类型的指标（心理物理、全局统计、神经网络）。相比传统参数扫描和敏感性分析（如Sobol指数），具有成本优势，但在不连续度量上需要手动松弛。未来可以探索自动松弛方法，例如使用可微化的代理模型来近似不可微度量。

硬件需求及成本：★★★☆☆

一次反向传播的成本等于一次正向渲染和一次反向传播，相对于传统参数扫描方法效率极高。但路径追踪和反向传播本身对GPU的要求不低，高采样数（如1024 spp）下仍需要数十秒甚至更长时间，无法达到实时交互。不过，对于建筑照明设计等离线应用场景，这个时间成本是可以接受的。

复现难度：★★★★☆

论文基于已开源的Mitsuba 3和DrJit框架，方法本质上就是调用其自动微分功能，再加上一个度量模块和可视化模块，复现门槛不高。论文在附录中提供了关键代码片段和参数设置，进一步降低了复现难度。对于熟悉Python和PyTorch的研究者，预计可以在几天内完成复现。

产品化成熟度：★★★☆☆

作为一个“分析诊断”工具，产品形态可以是建筑照明设计软件中的插件，功能明确，但需要解决非可微度量松弛和交互式速度的问题。离一键式商业产品还有一段距离。不过，对于专业用户（如照明设计师、视觉特效艺术家），当前的原型已经能够提供有价值的洞察。

可能的问题：论文对参数空间的可视化只处理了均匀材质参数，尚未处理逐像素纹理的显著性映射，这限制了其在复杂纹理场景中的实用性。另外，实验中所有场景都是室内静态环境，在自然光照变化或动态场景下的表现尚未探讨。此外，梯度方法对参数初始值敏感，如果场景处于一个高度非线性的区域（如接近镜面反射的临界点），一阶近似的准确性可能会下降。

主要参考文献

[1] Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. In ICCV.

[2] Li, T.-M., Aittala, M., Durand, F., & Lehtinen, J. (2018). Differentiable Monte Carlo Ray Tracing through Edge Sampling. ACM Trans. Graph. (TOG).

[3] Jakob, W., Speierer, S., Roussel, N., & Vicini, D. (2022). Dr. JIT: A Just-In-Time Compiler for Differentiable Rendering. ACM Trans. Graph. (SIGGRAPH).

[4] Vicini, D., Speierer, S., & Jakob, W. (2021). Path Replay Backpropagation (PRB). ACM Trans. Graph. (SIGGRAPH).

[5] CIE. (1995). Discomfort Glare in Interior Lighting. Technical Report CIE 117-1995.

[6] Simonyan, K., Vedaldi, A., & Zisserman, A. (2014). Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps. In ICLR Workshop.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

可微渲染的梯度还能这样用？想和龙哥一起探索更多AI与图形学的奇妙结合？
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如渲染优化+上海+Simon Fraser+小明），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper