基于Light-G-Buffer的动态光源实时全局光照算法

来源 :四川大学 | 被引量 : 0次 | 上传用户:daifeng216216
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,基于探针的全局光照算法因其简单高效的特点被广泛应用于实时渲染应用中,如虚拟现实、游戏以及CAD辅助设计等。其基本思想是,通过在场景中离散放置探针对光照信息进行预计算,然后在运行时查询着色点附近若干个探针存储的光照信息进行插值计算而生成全局光照效果。然而,该类算法依赖于逐探针预计算光照信息,导致其难以实时响应动态光照变化。其中,光场探针算法能够生成高质量的间接漫反射和光泽反射效果,但需要逐探针预计算生成更多的信息,包括场景几何、辐射亮度以及辐射照度信息。本文以光场探针算法为研究对象,详细分析该算法逐探针存储的几何信息和光照信息耦合以及相邻探针光照信息冗余等问题,并针对这些问题提出了一种基于Light-G-Buffer的动态光源实时全局光照算法。该算法的基本思想是,对光场探针中几何信息和光照信息的处理方式进行解耦,不在预计算阶段生成辐射亮度信息和辐射照度信息,而是在运行时对其重建,进而实时响应动态光照变化。具体而言,本文的主要工作包括:·首先,本文提出一种新的数据结构Light-G-Buffer,以表达间接光照信息。在运行时生成的Light-G-Buffer存储了从光源处出发的材质信息以及径向距离信息,相比于逐探针存储的辐射亮度场更为紧凑高效,能够准确表达光线一次反射的光照信息。通过光栅化和多渲染目标技术可以在运行时高效更新Light-G-Buffer结构,以响应动态光照变化;·其次,本文基于运行时生成的Light-G-Buffer和预计算的探针几何信息实时重建探针的辐射亮度场以及辐射照度场。一方面,结合这两者信息,本文基于延迟着色方法能计算任意方向光线的入射辐射亮度,从而重建出探针的辐射亮度场;另一方面,在重建的辐射亮度场基础上,本文提出一种并行球谐投影算法,以大幅加速辐射照度贴图的卷积计算,从而重建出探针的辐射照度场。基于重建的辐射亮度场和辐射照度场,本文算法能够准确地生成动态光照下的一次漫反射和光泽反射全局光照效果;最后,在允许一定渲染误差的前提下,实现了多次漫反射效果以及支持多光源场景。一方面,通过假设场景为理想漫反射材质,本文推导出多次漫反射后的探针入射辐射亮度计算公式,并采用分帧计算的策略来实时生成多次漫反射效果;另一方面,针对多光源场景,本文提出一种基于贪心策略的光源聚类方法,基于光源相互距离和可见性等约束条件对光源进行聚类,大幅减少生成Light-G-Buffer的数量,从而提高运行时效率。实验结果表明,Light-G-Buffer结构在存储、更新以及查询上相比于原有光场探针算法具有较大的优势;在Light-G-Buffer的基础上,本文算法能以较高的效率和较低的误差实时重建出光场探针的辐射亮度场以及辐射照度场,生成动态光照下具有多次漫反射和光泽反射的实时全局光照效果;本文提出的光源聚类算法能大幅减少生成Light-G-Buffer的开销,提升多光源场景下的运行时效率。
其他文献
图像语义分割是指根据图像中像素的语义信息对图像进行分类分割的方法,是计算机视觉领域的一项重要任务。基于深度学习的图像语义分割网络近年来得到快速发展,但仍存在参数量以及计算量大,模型较为复杂,以及不能很好地处理图像中的小目标物体,模型分割精度很难提升等问题。本文针对当前的语义分割网络参数量和计算量大以及小目标物体的语义分割问题展开研究,主要工作和创新点如下:1、针对网络参数量以及计算量大的问题,提出
预测性维护(Predictive Maintenance,Pd M)技术在航空航天、轨道交通、机械装备等领域应用广泛,是实现工业现代化的关键技术之一。在“中国制造2025”和“工业4.0”的战略背景下,工业设备正日趋复杂化,工作环境也日渐恶劣。Pd M技术依据设备或系统的传感器监测数据,对其剩余使用寿命(Remaining Useful Life,RUL)进行预测,从而提前采取维护措施,保障运行安
人脸识别是人工智能技术研究中的热点之一,以其突出的高并发性、非触碰性等特点,在安防、监控、移动支付等工业生产领域已有广泛的应用。自AlexNet在2012ILSVRC目标识别领域取得突破性进展,各种新颖的卷积神经网络结构不断涌现。受三维人脸数据集等因素限制,三维人脸识别技术的发展相对较晚,但是随着二维人脸识别技术的发展面临如人脸表情、姿态、遮挡以及光照变化等因素的挑战,研究者逐步转向三维人脸识别的
磁共振成像(Magnetic Resonance Imaging,MRI)技术因其非侵入性、非电离的成像方式,已经广泛地应用在物理、生物、医学等领域,尤其在病灶诊断方面的前景广阔。然而,由于磁共振独特的成像机制,磁共振扫描时间过长,容易产生运动伪影,从而影响重建质量和临床诊断。因此,减少磁共振成像时间具有重要的研究意义。目前深度学习技术与日俱进,在图像重建领域表现突出,因此基于深度学习的快速磁共振
生成对抗网络(Generative Adversarial Networks,GAN)是加拿大蒙特利尔大学的Ian Goodfellow等人在2014年提出的机器学习架构。自提出以来,便受到了深度学习领域研究人员的广泛研究,该架构在图像生成领域取得了巨大的成就。尽管图像生成模型取得了巨大的进步,但其仍然存在生成图像多样性不足、生成的高分辨率图像质量差、模型优化需要大量训练数据等问题。大量的研究人员
自动导引运输车(Automated Guided Vehicle,AGV)是一种移动轮式机器人,属于智能运输设备。AGV是目前无人工厂中的重要组成部分,可以取代人工完成搬运任务。随着制造业的发展和人工成本的提高,自动化流水线也需要相应的AGV调度系统来满足日益增长的任务需求。AGV可以实现物料的高效运输,降低生产成本,因此多AGV系统正在逐步推广。基于以上背景,提出对多AGV路径规划、任务调度和任
掌握自然语言是人类区别其他生物的独特智慧特征,古往今来人们从未停止过对其的研究,近年来GPT-2以及Bert等大规模预训练模型的横空出世,给予了自然语言生成领域内的研究空前的热度。自然语言的生成是有限制的,不同的文体抑或是在不同的语境下都有其独特的约束,于是受限文本生成也成了业内的一个必然要求。深度学习方法往往需要大量的相关数据,然而数据的整理是很繁琐的,并且小的数据量根本不足以使得神经网络拟合。
阿尔茨海默症(AD)的神经影像学自动诊断近年来引起大量关注,但至今尚未有较好的技术手段准确地诊断识别出相关疾病,由于图像识别技术的发展与突破,阿尔茨海默症图像诊断技术面临以下几个问题:(1)传统医学图像诊断技术需要人为提取图像特征,再使用机器学习分类算法,具有较强主观性;(2)AD患者脑部影像具有三维空间的特征,传统二维图像识别算法无法较好提取到大脑中的病理特征。本文针对以上问题,本研究由图像特征
随着无人机技术的不断进步,多无人机协同对地任务规划在现代战争中的地位日益凸显,其规划结果优劣将直接影响无人机整体作战效能。多无人机协同对地任务规划包含两阶段:第一阶段任务分配,即给无人机合理的指派任务;第二阶段航迹规划,即给无人机规划出能安全抵达对地任务目标点的可飞航迹。本文结合某无人机仿真平台的研究,对相关问题展开研究,主要工作内容如下:(1)针对传统合同网算法在解决多无人机任务分配中存在的资源
目标追踪作为现实意义较大的一个视觉算法研究板块,其中长时间的单目标追踪算法则是该板块一个十分重要方向,此前相关算法的解决方式主要以传统滤波为主,近年来,以深度学习为基础的长时间单目标追踪算法性能,正渐渐赶超传统滤波方法,尽管如此,目标追踪任务的难点始终没有得到很好的解决,其中以相似目标的追踪漂移、目标闪入和闪出视野内、目标运动模糊、目标视角和尺度随着追踪时间的不断变化等难点最为突出,进一步地,长时