环境光遮挡(Ambient Occlusion,AO)算法是真实感渲染领域中十分关键的组成部分,该算法通过获取虚拟场景中物体周围的几何信息来确定该物体对于环境光的遮挡情况,能够渲染出接近真实世界的接触阴影效果。近些年来,随着人工智能技术在计算机科学多个领域的广泛应用,出现了一些结合神经网络的环境光遮挡算法思路。神经网络环境光遮挡(Neural Network Ambient Occlusion,NNAO)是第一个将神经网络技术引入实时环境光遮挡计算的算法,取得了一定的研究成果,相对其他实时环境光遮挡算法有了较为明显的性能和准确性提升,成为了研究领域中的标杆。然而,NNAO算法中存在着采样个数过多、阴影高频细节丢失等问题,这些问题在后来的研究成果中仍未得到解决,成为基于神经网络的环境光遮挡算法研究中的瓶颈。针对这些研究问题,我们提出一种实现加速和细节增强的神经网络环境光遮挡(Accelerated Detail-enhanced Ambient Occlusion,ADAO)算法。本文首先阐述了NNAO算法的算法架构,针对其提出的神经网络结构以及利用神经网络模型计算AO的思路进行了细致的分析和梳理。接着,针对该算法采样个数相对较多导致不必要的计算负担的问题,本文引入螺旋采样(Spiral Sampling)和多细节层次(Level of Detail,LOD)技术,提出新型的基于视觉深度的螺旋采样算法,样本点分布相比原来的随机采样算法具有更高的代表性和准确性,且根据样本点离人眼的距离来进一步调整样本数量,能进一步减少场景中整体的采样个数。本文还借助图形处理领域的图像增强技术来增强AO计算结果的对比度,恢复了高频细节,使阴影层次感更强。最后,本文提出了一种新型的双边滤波算法,将物体的法线信息加入到滤波操作的权重计算中去,物体法线突变产生的阴影边缘能得到很好的还原。实验结果显示,相对于NNAO及其他实时环境光遮挡算法,ADAO算法可以在提升渲染效率的同时增强阴影细节的真实感。