每章都可视为博士论文：严令奇荣获SIGGRAPH 2019最佳博士论文奖

其实每章都可视为博士论文：严令奇荣获SIGGRAPH 2019最佳博士论文奖的问题并不复杂，但是又很多的朋友都不太了解，因此呢，今天小编就来为大家分享每章都可视为博士论文：严令奇荣获SIGGRAPH 2019最佳博士论文奖的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！

从高考状元到CS大师

严令奇自2018年9月起担任加州大学圣塔芭芭拉分校助理教授。在此之前，他于2018年在拉维·拉马莫蒂（Ravi Ramamoorthi）的指导下于加州大学伯克利分校获得博士学位。 2013年获得清华大学计算机科学学士学位。

在伯克利毕业之前，人们对严令奇的印象可能更多是“2009年安徽阜阳高考状元”。他的高考成绩为695分，位列全省第二。他在总结高中学习方法时曾说：有目标、有计划、劳逸结合是关键。

“首先，你必须清楚自己的实力。”如果你想得到一个理想的分数，就不能无谓地丢分。在日常练习中，不要放过任何一个小错误。比如数学选择题，一旦做错一道题，就得强迫自己多做题，以“长记忆”。

在时间分配方面，严灵奇认为，学校时间要合理利用，不能一味重数理化而忽视语文和英语。经过一天劳累的学习，回到家可以适当放松一下，劳逸结合才能取得好的学习效果。

严灵奇特别提到不要做无用功。比如三角函数、立体几何等数学大题，技巧并不多。对于这类问题，只要知道思路就可以，不需要浪费太多时间。数学试卷的最后一题，一定要能边做题边总结方法；对于基础题，注重计算能力，不要因为粗心而失分。

据说，颜灵琪在高中时是一个特别贪玩的学生。紧张的高考前夕，他每天打游戏一个多小时，当时的目标是考入清华大学计算机系。

进入加州大学伯克利分校后，严令奇的主要研究方向是基于物理的逼真图形渲染及相关数学和物理理论，包括基于微观细节的物质观察和建模、离线和实时光线追踪以及信号采样和重建。作为一名杰出的研究人员，他开创并启发了一系列下一代计算机图形学研究方向，例如高度详细的渲染和实时光线追踪。

严令奇荣获C.V. Ramamoorthy 因其开创性研究而于2018 年获得—— 杰出研究奖。他是历史上第一位获此殊荣的华人。此外，他的科研成果直接应用于电影和游戏行业，帮助电影《猩球崛起 3：终极之战》获得2018年奥斯卡最佳视觉效果提名。

最佳博士论文奖

凭借在开拓新领域方面的贡献，严令奇获得最佳博士论文奖实属实至名归。 ACM SIGGRAPH 对严令奇的论文给予了高度评价：

严令奇的论文从统一、全面的角度介绍了计算机图形学渲染视觉外观建模。每一章都可以独立地成为博士论文的主题。这项研究产生的令人惊叹的视觉图像成为近期SIGGRAPH会议的亮点，也给业界带来了巨大的实际影响。严令奇在SIGGRAPH和ACM Transactions上发表了7篇图形学论文，这是史无前例的。

本文为三个主要领域做出了突破性贡献：镜面微观结构或闪烁建模、毛皮反射率和快速蒙特卡罗渲染。低光相关章节基于2014年、2016年和2018年的论文，介绍了如何分析评估镜面反射以及如何完成光传输的全波光学模拟。这些想法现在已经被用于商业化，例如AutoDesk Fusion360 和《古墓丽影：崛起2016》。

在论文的第二章中，严令奇开发了一个动物皮毛模型，并使用测量和模拟方法对其进行了测试（对模型进行了简化和推广）。作者还展示了如何使用它来完成全局光照计算。维塔数码公司在电影《猩球崛起3：终极之战》中使用了这项技术。

第三章是全局光照，展示了蒙特卡罗渲染去噪方法的重大突破，同时介绍了其他基于滤波的去噪方法。

这些和其他相关研究启发了当前的蒙特卡洛采样方法和去噪管道，包括NVIDIA 最新的软件（Optix5，2017）和硬件（RTX GPU，2018），首次使实时光线追踪成为可能。

Nvidia的RTX系列芯片可以实现前所未有的视觉体验。我们还记得黄仁勋在GTC大会上的介绍：可以呈现不同材质的倒影以及游戏中的倒影，达到电影级别的效果。

严令奇为解决该领域的开放性问题做了大量的工作。他从一个全新的方向解决计算机图形问题，超越了传统上认为不可能的方向。在此过程中，他开辟了新的子领域，彻底改变了我们目前对渲染、视觉外观和生成全新图像的理解。

严令奇发表了十几篇关于图形学的SIGGRAPH 和Transactions 论文。 SIGGRAPH社区授予2019年ACM SIGGRAPH博士论文奖以表彰他的杰出成就，并期待他在未来取得更多令人惊叹的成果。

开创性的研究

我们来看看严令奇的博士论文《Physically-based Modeling and Rendering of Complex Visual Appearance》到底讲了什么：

论文链接：https://sites.cs.ucsb.edu/~lingqi/publications/thesis_final.pdf

在本文中，我们重点关注对象渲染，它能够从3D 模型和场景合成图像。当前最先进的渲染技术仍然面临两个基本挑战：真实性和速度。渲染结果可以看出是人为生成的，过于完美而扭曲；对于离线和交互式应用程序来说，渲染过程都太慢。

为了让渲染更加真实，我们首先强调的是细节。然而，渲染具有大量细节的复杂表面并不是一件容易的事。传统上，表面微观结构是用平滑的正态分布来近似的，但这很容易忽略细节，例如在现实世界中很容易观察到的闪光效应。

虽然可以对实际的表面微观结构进行建模，但使用蒙特卡罗点采样方法会导致一个代价高昂的问题：能量集中在仅占像素很小一部分的微小亮点中。

相反，我们使用完全不同的确定性方法来计算蒙特卡罗最终收敛的精确解。我们的方法考虑了通过单个像素看到的表面上高度复杂的正态分布。假设表面分别由2D 平面三角形或4D 高斯元素组成，我们展示了使用封闭形式解决方案有效评估此问题的不同方法。

我们还展示了如何扩展该方法以准确处理波动光学。我们的结果表明，非光滑塑料、刷过或刮过的金属、金属涂料和海浪等材料会产生复杂的、随时间变化的闪光。

如上所述，我们假设我们知道表面如何反射光，尽管渲染细节带来了许多挑战。然而，现实世界中有大量的天然材料，我们不知道它们与光相互作用的精确方式。为了真实地渲染这些材料，我们需要从微观结构中导出准确的外观/反射模型来定义它们的光学行为。

我们在第四章中通过引入动物毛皮的反射模型证实了这一点。渲染逼真的动物毛皮是计算机图形学中长期存在的问题。在模拟人类头发的几何复杂性方面已经取得了相当大的成功，但头发纤维的外观/反射尚不清楚。

基于解剖文献和测量，我们开发了单根毛发纤维反射的双目模型，其中外层圆柱体代表被多个角质层覆盖的皮层的生物观察，内层代表散射的内部结构（称为延髓），这不是通常存在于人的头发纤维中。

我们通过对真实毛发纤维的测量来验证物理模型，并引入计算机图形学中的第一个数据库，用于九个毛皮样本的反射剖面。为了高效渲染，我们开发了一种方法来预先计算2D 吻侧散射剖面并使用因子波瓣近似反射模型。

我们还开发了许多优化方法，以在不损失准确性的情况下提高效率和多功能性。此外，我们提出了第一个全局照明模型，基于表面散射的偶极扩散，通过将复杂的光和头发相互作用建模为次表面散射，并将头发纤维与简单的神经网络相结合。这些属性被转换为散射参数，以近似各个毛发纤维之间的光反射。

然而，如果没有这些细节来提高渲染真实感，使用当前最先进的蒙特卡洛光线追踪的渲染方法仍然会表现不佳。物理上正确的无噪声图像可能需要每个像素数百或数千个光样本，并且需要很长时间才能计算。最近的方法利用稀疏采样和过滤。虽然滤波方法很快（轴对齐），但它需要更多的输入样本，或者如果输入样本太少，它会很慢（削波）。

在第5 章[143] 中，我们提出了一种在GPU 上进行快速剪切滤波的新方法。我们的算法将4D 剪切滤波器分解为4 个1D 滤波器。我们推导了该方法的复杂度范围，结果表明每像素的复杂度范围为

减少到O(nl)，其中n 是线性滤波器宽度（滤波器大小为O(n^2)），l 是光的每个像素或镜头的每个维度的样本数（通常非常小）（spp 是l^2）。因此，我们显着减少了削波过滤开销。在本文中，我们展示了如何以交互速度渲染景深、柔和阴影和漫反射全局照明。

纸模型生成场景的静止帧。

我们期待严令奇博士未来有更多新的研究成果。

值得一提的是，去年的ACM SIGGRAPH最佳博士论文奖也由来自加州大学伯克利分校的华人朱俊彦获得。请参阅：其他人的博士生涯！ CycleGAN作者朱俊彦荣获SIGGRAPH优秀博士论文奖。

参考链接：

https://www.siggraph.org/2019-outstanding-Doctor-dissertation-award-lingqi-yan/

https://sites.cs.ucsb.edu/~lingqi/