可微分渲染技术在理论上(‘Differentiable Monte Carlo Ray Tracing through Edge Sampling’)得到解决后，在实际中还存在两个问题，一个是边缘检测的性能问题，另一个问题则是内存消耗过大，很难满足复杂场景对内存的需求。RGL团队在2019和2020分别发表了三篇针对可微分渲染的论文，‘Mitsuba 2’提供了可微分渲染的框架，上一篇介绍的论文‘Reparameterizing Discontinuous Integrands’针对边界性能差的问题，而这一篇论文‘Radiative Backpropagation’针对内存消耗大这个问题。
首先，论文解释了reverse-mode下autodiff分为两个阶段:
接着，给出light transport的measurement function：
该公式中的
是ray space，A是相机的image plane，p是其中的一点，而ω则是对应点p的solid angle。同时，
对应的反方向(outgoing)是
，r(p,ω)对应反方向相交的最近的一点：
上面的介绍后，又要写一便rendering equation了：
上式求导：
推导也很直观，算是本论文第一个贡献，term 1对应当光源发生变化时，发射出的differential radiance，term 2则是碰到物体后，对应材质发生变化时，发射出的differential radiance，term 3对应differential radiance遇到物体后的散射现象：
同时，对应measurement function求导：
接着，我们用Q(emission term)来记录term1 term2：
用K（scattering operator）和G(propagation operator) :
这样，类似传统的光路，我们对differentiation进行如下的推导(Neumann)：
在Veach的论文中，证明了G,K以及GS满足self-adjoint，于是有了如下结论：
如上公式证明，类似传统的光路是可逆的，differentiable radiance一样是可逆的，而这里，
是标量，而Q是向量，因此，从左侧计算时可以大量的变量，这就是本论文的核心思想，证明了传统光路和微分光路之间的相似性。同时，论文也提到了对边界的处理，尽管论文中并没有考虑该问题，但边界问题同样需要转化为对光路的求导，然后再使用该思路，两者并不矛盾。
上图是对应的代码实现，在radiative_backprop_sample函数中，我们用adjoint方法分别计算Q中的L_e和f_s相对于场景参数x的导数(emitter部分)。
如上是unbiased的算法，论文中还给出了两个biased的优化，论文中给出了评价是’worse is better’。
第一是对Q的近似解：
这里，默认L_i的值为1，记作biased(1)，好处是原先的L_i的计算是recursive，需要多次迭代，这种近似可以中断迭代。虽然是近似值，但实验发现这样的效果反而更好，给出了理由是MC本身就存在噪音，在这个情况下，方向本身更重要，而数值准确度的意义不大。
第二处近似的原因是构建light path时，很多计算步骤在reverse中是可以复用的，这样可以节约大量的计算消耗。基于这个思考，论文中尝试把primal和adjoint两个步骤合并在一起：在第i次迭代时，使用的是上次迭代输出的目标值y来优化当前迭代的参数x，这样，当每次迭代中Jacobian变化不大时，这个近似解的效果也很好，同时节省了很多计算记作biased(2)：
再给出了unbiased的算法和两个biased的优化后，就是如何在Mitsuba中实现该算法。通常，path tracing在GPU中都是采用wavefront的架构，论文中说，wavefront这种方式下，在求导的过程中，因为生成脚本的读写操作会消耗带宽（个人理解是CPU和GPU之间的带宽）和内存的latency产生的瓶颈，因此megakernel的方式更好一些，而且现代的GPU设计中，硬件优化也往往侧重于megakernel的方式（个人并不认同这个观点，也可能是我对论文理解有差错）。因此，论文在应用中，主要的问题是如何将Mitsuba 2中的wavefront架构，改造为megakernel。这里主要也是牵扯到如何处理emission term Q，我们需要让这个过程不需要访问auto diff相关的动态的数据结构。
首先，Mitsuba 2中采用了JIT技术，只有在触发了同步指令时，计算指令才会编译并执行。在这里做了一个小的改动，此时我们不执行指令，而是生成执行指令的字符串，这个字符出会绑定到场景中的物体中，当物体在intersection时再触发执行。这样完成了对primal过程的提取。使用类似的机制，我们需要把adjoint过程也提取出来，我们需要声明要进行auto diff的output的变量
以及对应的参数
，声明这是backward的方式(reverse-mode)，最后通过record记录这个一个原子函数(enoki::scatter_add)，该过程会将求导的结果累加到
。
最后是实验结论。
第一是validation
(a)场景是对Cornell box场景的颜色求导，(b)是环境光下，对一个heterogeneous volume求导，(c)是对一个木板的纹理求导，实验结果显示，该算法和其他方法的结果接近。
第二个是纹理的优化
上图的复杂场景中，初始是一个火星地图的纹理，在迭代优化后，计算出对应的地球纹理。
该实验中还对比了之前Mitsuba 2中的测试场景，给出了新的算法的性能对比。综上对比，可见新的算法每次迭代的优化效率不比原先的方式差，而在时间上有着显著优势。
第三个是性能对比
文中给出了使用unbiased的方法和biased的方法的时间消耗。
上图是四个场景中不同的方式相比Mitsuba 2的性能优化的程度。
总结
本论文基于光路求导可逆，提供了一种新的方法，该方法不需要记录中间状态的脚本，从而极大的减少了内存开销，并将性能最多优化了三个数量级。
