그래디언트 기반 중요도 (Gradient-based saliency) 방법론은 어떤 입력 특징이 신경망의 출력에 가장 큰 영향을 미치는지 밝혀내며, 모델 해석 가능성 (Model interpretability)을 위한 표준적인 도구로 사용됩니다. 우리는 전통적으로 파라미터 최적화 (Parameter optimisation)에 사용되는 미분 가능한 렌더러 (Differentiable renderers)가 이와 유사한 형태의 중요도를 생성한다는 점을 관찰했습니다. 즉, 렌더링된 이미지에서 평가된 임의의 스칼라 지표 (Scalar metric)가 주어지면, 단 한 번의 역방향 미분 (Reverse-mode differentiation) 패스를 통해 어떤 장면 요소가 해당 지표에 가장 큰 영향을 미치는지 식별하는 파라미터별 그래디언트 (Per-parameter gradients)를 얻을 수 있습니다. 우리는 이러한 그래디언트 필드를 지표 중요도 맵 (Metric saliency maps)이라고 부릅니다. 학습된 가중치 (Learned weights)를 통해 기여도를 전파하는 신경망 중요도 (Neural saliency)와 달리, 지표 중요도는 다중 반사 빛의 전달 (Multi-bounce light transport)을 포함한 이미지 형성 과정 자체를 통해 기여도를 전파하며, 수동 검사로는 파악하기 어려운 파라미터 의존성을 포착합니다. 우리는 질적으로 서로 다른 목적 함수들, 즉 심시각적 눈부심 지수 (Psychovisual glare indices), 평균 장면 휘도 (Mean scene luminance), 그리고 신경망 지각 점수 (Neural perceptual scores)에 대해 지표 중요도 맵을 계산합니다. 동일한 장면에 대해서도 지표에 따라 중요도 순위가 상당히 달라지며, 한 목적 함수를 지배하는 파라미터가 다른 목적 함수에서는 무시할 수 있는 수준이 되기도 합니다. 즉, 중요도 맵은 장면의 고유한 속성이 아니라 특정 지표에 종속적입니다. 우리의 결과는 미분 가능한 렌더러가 생성하는 도함수 이미지 (Derivative images)가, 원래 생성하도록 설계된 원본 이미지 (Primal images)만큼이나 장면 이해에 유익한 정보를 제공한다는 점을 시사합니다.