Corentin Salaün nach der Verteidigung seiner Doktorarbeit. Foto: MPI-INF/Bertram Somieski
Am 9. Dezember 2025 verteidigte Corentin Salaün erfolgreich seine Dissertation mit dem Titel „Toward Improving Monte Carlo Estimator for Rendering and Machine Learning“. Corentin Salaün ist seit Oktober 2020 Doktorand am Max-Planck-Institut für Informatik und an der Universität des Saarlandes. Betreut wurde die Arbeit von Prof. Dr. Hans-Peter Seidel, wissenschaftlicher Direktor der Abteilung "Computer Graphics" und Dr. Gurprit Singh, Leiter der Forschungsgruppe "Sampling and Rendering". Der Doktorgrad wird von der Universität des Saarlandes verliehen.
Zusammenfassung der Arbeit:
Die Monte-Carlo-Integration ist ein grundlegendes mathematisches Werkzeug, um hochdimensionale Integrale zu schätzen, die nicht analytisch gelöst werden können. Ihre Fähigkeit, mit komplexen Gebieten und irregulären Funktionen umzugehen, macht sie in der Computergrafik unverzichtbar. Eine klassische Anwendung ist das physikalisch basierte Rendering, das die Monte-Carlo-Integration nutzt, um den Transport von Licht mit fotorealistischer Genauigkeit zu simulieren. Ähnliche Herausforderungen treten im maschinellen Lernen auf, wo stochastische Gradientenabschätzung die Grundlage für das Training moderner Modelle bildet und hochdimensionale Gradientenabschätzungen erfordert. In beiden Bereichen bestimmen die Genauigkeit und Effizienz von Monte-Carlo-Methoden direkt die Qualität der Endergebnisse.
Diese Dissertation entwickelt eine Reihe neuer Techniken zur Varianzreduktion, sowohl für das Rendering, als auch für das maschinelle Lernen. Sie schlägt adaptive Kontrollvariablen vor, die die Kontrollfunktion automatisch aus Daten lernen. Manuell erstellte Designs werden dadurch überflüssig, da eine nachweisbare Varianzreduktion garantiert wird. Ein skalierbares „Multi-class-Sampling-Framework“ wird entwickelt, um ein einziges Set an Stichproben zu erzeugen, das gleichzeitig mehrere, potenziell widersprüchliche Ziel-Verteilungen erfüllt; Um die wahrgenommene Bildqualität zu optimieren, wird dieses Framework zusätzlich um Modelle des menschlichen Sehvermögens erweitert. Schließlich werden effiziente adaptive „Importance-Sampling-Algorithmen“ für die stochastische Gradientenabschätzung vorgestellt, einschließlich einer „Multi-Distribution-Erweiterung“, die mehrere Vorschlagsverteilungen mit optimalen Gewichten kombiniert, um das Training zu beschleunigen. Zusammengenommen stärken diese Beiträge die theoretischen Grundlagen der Monte-Carlo-Integration und liefern praktische Algorithmen, die Fehler reduzieren, die Effizienz verbessern und neue Anwendungen im fotorealistischen Rendering und im maschinellen Lernen ermöglichen.