CN107680042A - 渲染方法、装置、引擎及存储介质 - Google Patents

渲染方法、装置、引擎及存储介质 Download PDF

Info

Publication number
CN107680042A
CN107680042A CN201710891793.4A CN201710891793A CN107680042A CN 107680042 A CN107680042 A CN 107680042A CN 201710891793 A CN201710891793 A CN 201710891793A CN 107680042 A CN107680042 A CN 107680042A
Authority
CN
China
Prior art keywords
resolution
target
rendered
renders
resolution ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710891793.4A
Other languages
English (en)
Other versions
CN107680042B (zh
Inventor
黄羽众
张骏飞
叶青
唐睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Group's Nuclear Information Technology Co Ltd
Original Assignee
Hangzhou Group's Nuclear Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Group's Nuclear Information Technology Co Ltd filed Critical Hangzhou Group's Nuclear Information Technology Co Ltd
Priority to CN201710891793.4A priority Critical patent/CN107680042B/zh
Publication of CN107680042A publication Critical patent/CN107680042A/zh
Application granted granted Critical
Publication of CN107680042B publication Critical patent/CN107680042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Generation (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明实施例公开了一种渲染方法、装置、引擎及存储介质，该方法包括：获取目标场景的低分辨率渲染图与目标分辨率纹理图；基于预设超分辨率恢复算法，对低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；基于预设滤波算法，根据目标分辨率纹理图对初始目标分辨率渲染图进行滤波，以生成结果渲染图。解决了现有技术生成目标分辨率的结果渲染图耗时较长的问题，使结果渲染图不仅携带有高分辨率的纹理，还携带有与目标分辨率的纹理的整体分布相对应的光感信息，相较于现有技术单纯通过渲染生成高分辨率渲染图，大大减少了渲染时间。

Description

渲染方法、装置、引擎及存储介质
技术领域
本发明实施例涉及渲染技术领域，尤其涉及一种渲染方法、装置、引擎及存储介质。
背景技术
图形可以直观地表达各种信息，而且容量大、易于人们获取。随着计算机软、硬件突飞猛进的发展，计算机图形学在各个行业的应用得到了迅速的普及和深入。
但是，具有逼真效果的图形往往需要进行渲染，而现有技术的渲染耗时往往与图像像素成正比。比如，基于光线追踪的蒙特卡洛方法是对传统光线追踪算法的扩充，通过概率统计的方法近似渲染方程，可以支持更多的表面材质效果和模拟全局光照效果，得到较好的渲染效果。具体是，若用户在图像中的一个或多个位置添加光源，设置光源的颜色、亮度和光照角度等属性后，则基于这些设置进行渲染。渲染方式是，根据光源属性，计算各光源对每个像素点的亮度影响，从而调整该像素点的像素值，完成渲染。
但是蒙特卡洛光线追踪的渲染方式，需要对于每个像素点计算大量的采样光线，渲染时间特别长，生成一张分辨率为4000*3000的高分辨率渲染图需要几分钟，约等于分辨率为2000*1500的渲染时间的4倍，因此，高分辨率渲染图的渲染成本一直高居不下，使用者经常要在渲染速度和渲染质量之间进行取舍。
发明内容
本发明实施例提供一种渲染方法、装置、引擎及存储介质，解决了现有技术中，对目标场景渲染以生成高分辨率的结果渲染图的耗时较长的问题。
第一方面，本发明实施例提供了一种渲染方法，包括：
获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
进一步，所述获取目标场景的低分辨率渲染图，包括：
基于预设低分辨率值，根据光线追踪算法对目标场景进行渲染，生成低分辨率渲染图。
进一步，获取目标分辨率纹理图，包括：
基于预设目标分辨率值，根据所述目标场景生成目标分辨率纹理图。
进一步，所述基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图，包括：
基于深度卷积神经网络或最近点采样，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图。
进一步，所述基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，包括：
基于深度卷积神经网络或联合双边滤波，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图。
进一步，所述低分辨率渲染图的分辨率是所述目标分辨率纹理图的分辨率的1/16～1。
第二方面，本发明实施例还提供了一种渲染装置，包括：
图像获取模块，用于获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
初始目标分辨率渲染图生成模块，用于基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
结果渲染图生成模块，用于基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
进一步，所述图像获取模块包括图像渲染单元；
所述图像渲染单元用于基于预设低分辨率值，根据光线追踪算法对目标场景进行渲染，生成低分辨率渲染图。
第三方面，本发明实施例还提供了一种渲染引擎，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的渲染方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的渲染方法。
本实施例提供的渲染方法的技术方案，通过预设超分辨率恢复算法对获取的低分辨率渲染图进行超分辨率恢复生成初始目标分辨率纹理图，提高渲染信息和纹理信息的分辨率，通过预设滤波算法，以目标分辨率纹理图为引导图对初始目标分辨率渲染图进行滤波，从而使结果渲染图不仅携带有高分辨率的纹理，还携带有与纹理整体分布相对应的渲染分布信息，从而使结果渲染图在视觉效果上，与直接对目标场景进行渲染生成的目标分辨率的渲染图一样，耗时大大减少。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的渲染方法的流程图；
图2是本发明实施例二提供的渲染方法的流程图；
图3A是本发明实施例二提供的低分辨率场渲染图；
图3B是本发明实施例二提供的目标分辨率场纹理图；
图3C是本发明实施例二提供的初始目标分辨率纹理图；
图3D是本发明实施例二提供的结果渲染图；
图3E是本发明实施例二提供的直接对目标场景渲染生成的结果渲染图；
图4是本发明实施例三提供的渲染装置的结构框图；
图5是本发明实施例四提供的渲染引擎的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的渲染方法的流程图。本实施例的技术方案适用于对图像进行渲染的情况，该方法由配置在智能设备中的软件或硬件执行，比如，由手机、计算机、PAD或是其它具有图形处理功能的智能设备执行。如图1所示，该方法具体包括如下步骤：
S101.获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，低分辨率渲染图的分辨率低于目标分辨率纹理图的分辨率。
目标场景是用户希望进行渲染的场景，低分辨率渲染图是根据预设低分辨率值，对目标场景进行渲染生成的低分辨率渲染图；目标分辨率纹理图是基于预设目标分辨率值，根据目标场景生成的具有目标分辨率的目标分辨率纹理图。
本实施例中目标分辨率值高于低分辨率值，而且对具体的目标分辨率值不予限制，可以将其理解为一个相对值，即相对于图像处理设备的处理速度与使用者可接受的图像渲染时间的一个相对值。
本实施例中的低分辨率渲染图的分辨率可以是目标分辨率纹理图的分辨率的1/16～1，具体比值可以根据目标分辨率值的大小进行选择，比如，当目标分辨率纹理图的分辨率较小时，可以选择相对较大的比值，只要低分辨率渲染图的生成时间在可接受范围之内即可。
S102.基于预设超分辨率恢复算法，对低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图。
本步骤通过预设超分辨率恢复算法对低分辨率渲染图进行超分辨率恢复，提高低分辨率渲染图的分辨率，并使初始目标分辨率渲染图的分辨率与目标分辨率纹理图的分辨率相同。
本实施例可以通过深度深度卷积神经网络或最近点采样等超分辨率恢复算法对低分辨率渲染图进行超分辨率恢复，且优选通过深度卷积神经网络进行超分辨率恢复，深度深度卷积神经网络利用预先学习的低分辨率渲染图到高分辨率初始目标分辨率渲染图之间的转换关系，进行超分辨率恢复，从而获得较为自然的具有目标分辨率的结果渲染图。
S103.基于预设滤波算法，以目标分辨率纹理图为引导图，对初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，初始目标分辨率渲染图的分辨率与目标分辨率纹理图的分辨率相同。
为了使结果渲染图中既包括目标分辨率光感信息，又包括目标分辨率纹理图的纹理信息，需要以目标分辨率纹理图为引导图，对初始目标分辨率渲染图的进行滤波，以提高结果渲染图中纹理信息的清晰度。
需要说明的是，步骤S102与步骤S103可以通过一个神经网络实现，也可以通过两个神经网络实现，当然也可以通过一个神经网络与其它算法共同实现，或是通过其它超分辨率恢复方法和滤波方法实现。
本实施例中的预设滤波算法可选深度卷积神经网络或联合双边滤波，优选地，本实施例优选采用深度卷积神经网络，以目标分辨率纹理图为导向图，对初始目标分辨率渲染图进行滤波以生成结果渲染图。使结果渲染图不仅携带有高分辨率的纹理，还携带有与纹理整体分布相对应的渲染分布信息，从而使结果渲染图在视觉效果上，与直接对目标场景进行渲染生成的目标分辨率的渲染图一样，耗时大大减少。
本实施例提供的渲染方法的技术方案，通过预设超分辨率恢复算法对获取的低分辨率渲染图进行超分辨率恢复生成初始目标分辨率纹理图，提高渲染信息和纹理信息的分辨率，通过预设滤波算法，以目标分辨率纹理图为引导图对初始目标分辨率渲染图进行滤波，从而使结果渲染图不仅携带有高分辨率的纹理，还携带有与纹理整体分布相对应的渲染分布信息，从而使结果渲染图在视觉效果上，与直接对目标场景进行渲染生成的目标分辨率的渲染图一样，耗时大大减少。
实施例二
图2是本发明实施例二提供的渲染方法的流程图。如图2所示，本发明的可选实施例为：
S201.基于预设低分辨率值，对目标场景进行渲染，生成低分辨率渲染图。
为了获取较好的渲染效果，通常采用逐像素的渲染方法，本实施例优选采用基于光线追踪算法对低分辨率场景进行渲染，以生成低分辨率渲染图，参见图3A所示，耗时30s，低分辨率为800*600。
本实施例中对目标场景进行渲染以生成低分辨率渲染图，可以仅对目标场景进行一次渲染，也可以进行多次渲染，当对目标场景进行多次渲染时，将最后一次渲染的结果作为低分辨率渲染图。
示例性的，当发现结果渲染图不符合预期要求时，可以加大对目标场景的像素点的采样次数，重新进行渲染以生成低分辨率渲染图；当发现结果渲染图需要添加新的渲染信息时，可以在目标场景中填加新的灯光信息后重新进行渲染，生成低分辨率渲染图，以更新低分辨率渲染图，然后基于新的低分辨率渲染图和前述实施例所述的渲染方法生成目标分辨率的结果渲染图。
S202.基于预设目标分辨率值，根据目标场景生成目标分辨率纹理图。
根据预设目标分辨率值，根据目标场景生成目标分辨率纹理图，耗时1.5s，目标分辨率为1600*1200，如图3B所示。
S203.基于预设超分辨率恢复算法，对低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图。
本步骤优选基于深度卷积神经网络对低分辨率渲染图进行超分辨率恢复，生成分辨率为1600*1200的初始目标分辨率渲染图，耗时为3s，如图3C所示，
S204.基于预设滤波算法，以目标分辨率纹理图为引导图，对初始目标分辨率渲染图进行滤波，以生成结果渲染图。
基于深度卷积神经网络，以目标分辨率纹理图为引导图，对初始目标分辨率渲染图进行滤波，生成分辨率为1600*1200的结果渲染图，耗时为2s，如图3D所示。
根据预设目标分辨率值，直接对目标场景进行渲染，生成具有目标分辨率的结果渲染图，耗时150s，如图3E所示。
对比图3D和图3E，二者在视觉上并无差异，但是，直接对目标场景进行渲染，生成具有目标分辨率的结果渲染图，耗时150s，基于本发明所述的渲染方法的时间和为36.5s，远远小于现有技术中直接对目标场景进行渲染，生成具有目标分辨率的结果渲染图的时间。
本实施例提供的渲染方法的技术方案，通过预设超分辨率恢复算法对获取的低分辨率渲染图进行超分辨率恢复生成初始目标分辨率纹理图，提高渲染信息和纹理信息的分辨率，通过预设滤波算法，以目标分辨率纹理图为引导图对初始目标分辨率渲染图进行滤波，从而使结果渲染图不仅携带有高分辨率的纹理，还携带有与纹理整体分布相对应的渲染分布信息，从而使结果渲染图在视觉效果上，与直接对目标场景进行渲染生成的目标分辨率的渲染图一样，耗时大大减少。
实施例三
图4是本发明实施例三提供的渲染装置的结构框图示意图。该渲染装置用于执行上述任意实施例所提供的渲染方法，并可部署在智能设备中。如图4所示，该渲染装置包括：
图像获取模块11，用于获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
初始目标分辨率渲染图生成模块12，用于基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
结果渲染图生成模块13，用于基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
本实施例中的图像获取模块11包括图像渲染单元；
图像渲染单元用于基于预设低分辨率值，根据光线追踪算法对目标场景进行渲染，生成低分辨率渲染图。
本实施例提供的渲染装置的技术方案，通过预设超分辨率恢复算法对获取的低分辨率渲染图进行超分辨率恢复生成初始目标分辨率纹理图，提高渲染信息和纹理信息的分辨率，通过预设滤波算法，以目标分辨率纹理图为引导图对初始目标分辨率渲染图进行滤波，从而使结果渲染图不仅携带有高分辨率的纹理，还携带有与纹理整体分布相对应的渲染分布信息，从而使结果渲染图在视觉效果上，与直接对目标场景进行渲染生成的目标分辨率的渲染图一样，耗时大大减少。
本发明实施例所提供的渲染装置可执行本发明任意实施例所提供的渲染方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的渲染引擎的结构框图，如图5所示，该设备包括显示器200、处理器201、存储器202；引擎中的处理器201的数量可以是一个或多个，图5中以一个处理器201为例；设备中的显示器、处理器201、存储器202可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的渲染方法对应的程序指令/模块(例如，图像获取模块11、初始目标分辨率渲染图生成模块12和结果渲染图生成模块13)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的渲染方法。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器200可包括显示屏等显示设备，例如，用户终端的显示屏。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种渲染方法，该方法包括：
获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的渲染方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的渲染方法。
值得注意的是，上述渲染装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种渲染方法，其特征在于，包括：
获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
2.根据权利要求1所述的方法，其特征在于，所述获取目标场景的低分辨率渲染图，包括：
基于预设低分辨率值，根据光线追踪算法对目标场景进行渲染，生成低分辨率渲染图。
3.根据权利要求1所述的方法，其特征在于，获取目标分辨率纹理图，包括：
基于预设目标分辨率值，根据所述目标场景生成目标分辨率纹理图。
4.根据权利要求3所述的方法，其特征在于，所述基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图，包括：
基于深度卷积神经网络或最近点采样，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图。
5.根据权利要求3所述的方法，其特征在于，所述基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，包括：
基于深度卷积神经网络或联合双边滤波，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图。
6.根据权利要求1所述的方法，其特征在于：所述低分辨率渲染图的分辨率是所述目标分辨率纹理图的分辨率的1/16～1。
7.一种渲染装置，其特征在于，包括：
图像获取模块，用于获取目标场景的低分辨率渲染图与目标分辨率纹理图，其中，所述低分辨率渲染图的分辨率低于所述目标分辨率纹理图的分辨率；
初始目标分辨率渲染图生成模块，用于基于预设超分辨率恢复算法，对所述低分辨率渲染图进行超分辨率恢复，以生成初始目标分辨率渲染图；
结果渲染图生成模块，用于基于预设滤波算法，以所述目标分辨率纹理图为引导图，对所述初始目标分辨率渲染图进行滤波，以生成结果渲染图，其中，所述初始目标分辨率渲染图的分辨率与所述目标分辨率纹理图的分辨率相同。
8.根据权利要求7所述的装置，其特征在于，所述图像获取模块包括图像渲染单元；
所述图像渲染单元用于基于预设低分辨率值，根据光线追踪算法对目标场景进行渲染，生成低分辨率渲染图。
9.一种渲染引擎，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～6中任一所述的渲染方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6任一所述的渲染方法。
CN201710891793.4A 2017-09-27 2017-09-27 结合纹理及卷积网络的渲染方法、装置、引擎及存储介质 Active CN107680042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710891793.4A CN107680042B (zh) 2017-09-27 2017-09-27 结合纹理及卷积网络的渲染方法、装置、引擎及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710891793.4A CN107680042B (zh) 2017-09-27 2017-09-27 结合纹理及卷积网络的渲染方法、装置、引擎及存储介质

Publications (2)

Publication Number Publication Date
CN107680042A true CN107680042A (zh) 2018-02-09
CN107680042B CN107680042B (zh) 2020-03-31

Family

ID=61137809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710891793.4A Active CN107680042B (zh) 2017-09-27 2017-09-27 结合纹理及卷积网络的渲染方法、装置、引擎及存储介质

Country Status (1)

Country Link
CN (1) CN107680042B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738626A (zh) * 2019-10-24 2020-01-31 广东三维家信息科技有限公司 渲染图的优化方法、装置及电子设备
CN110827380A (zh) * 2019-09-19 2020-02-21 北京铂石空间科技有限公司 图像的渲染方法、装置、电子设备及计算机可读介质
CN111640174A (zh) * 2020-05-09 2020-09-08 杭州群核信息技术有限公司 一种基于固定视角的家具生长动画云渲染方法及系统
CN111696188A (zh) * 2020-04-26 2020-09-22 杭州群核信息技术有限公司 渲染图快速光照编辑方法和装置、渲染方法
CN112070875A (zh) * 2020-09-11 2020-12-11 网易（杭州）网络有限公司 图像处理方法、装置、电子设备和存储介质
CN112905293A (zh) * 2021-03-26 2021-06-04 北京房江湖科技有限公司 图形加载方法与系统以及图形渲染方法与系统
CN112950738A (zh) * 2021-03-30 2021-06-11 杭州群核信息技术有限公司 渲染引擎的处理方法及装置、存储介质和电子设备
WO2021228031A1 (zh) * 2020-05-09 2021-11-18 华为技术有限公司 渲染方法、设备以及系统
WO2022007862A1 (zh) * 2020-07-08 2022-01-13 华为技术有限公司 图像处理方法、系统、电子设备及计算机可读存储介质
CN113934500A (zh) * 2021-11-03 2022-01-14 杭州逗酷软件科技有限公司 渲染方法、装置、存储介质及电子设备
CN114066722A (zh) * 2021-11-03 2022-02-18 北京字节跳动网络技术有限公司 用于获取图像的方法、装置和电子设备
CN114979757A (zh) * 2022-06-02 2022-08-30 北京字跳网络技术有限公司 视频发布方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101617343A (zh) * 2007-12-21 2009-12-30 工作室图形处理器公司 快速渲染三维场景的方法和系统
CN105590304A (zh) * 2014-10-24 2016-05-18 北京大学 超分辨率图像重建方法和装置
CN106127684A (zh) * 2016-06-22 2016-11-16 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN106485656A (zh) * 2016-09-19 2017-03-08 华南理工大学 一种图像超分辨率重构的方法
CN106600536A (zh) * 2016-12-14 2017-04-26 同观科技（深圳）有限公司 一种视频图像超分辨率重建方法及装置
CN107563963A (zh) * 2017-08-11 2018-01-09 北京航空航天大学 一种基于单张深度图超分辨率重建的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101617343A (zh) * 2007-12-21 2009-12-30 工作室图形处理器公司 快速渲染三维场景的方法和系统
CN105590304A (zh) * 2014-10-24 2016-05-18 北京大学 超分辨率图像重建方法和装置
CN106127684A (zh) * 2016-06-22 2016-11-16 中国科学院自动化研究所 基于双向递归卷积神经网络的图像超分辨率增强方法
CN106485656A (zh) * 2016-09-19 2017-03-08 华南理工大学 一种图像超分辨率重构的方法
CN106600536A (zh) * 2016-12-14 2017-04-26 同观科技（深圳）有限公司 一种视频图像超分辨率重建方法及装置
CN107563963A (zh) * 2017-08-11 2018-01-09 北京航空航天大学 一种基于单张深度图超分辨率重建的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖春霞，聂勇伟，黄先锋，赵勇，彭群生: "《基于联合双边滤波的纹理合成上采样算法》", 《计算机学报》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827380A (zh) * 2019-09-19 2020-02-21 北京铂石空间科技有限公司 图像的渲染方法、装置、电子设备及计算机可读介质
CN110827380B (zh) * 2019-09-19 2023-10-17 北京铂石空间科技有限公司 图像的渲染方法、装置、电子设备及计算机可读介质
CN110738626B (zh) * 2019-10-24 2022-06-28 广东三维家信息科技有限公司 渲染图的优化方法、装置及电子设备
CN110738626A (zh) * 2019-10-24 2020-01-31 广东三维家信息科技有限公司 渲染图的优化方法、装置及电子设备
CN111696188A (zh) * 2020-04-26 2020-09-22 杭州群核信息技术有限公司 渲染图快速光照编辑方法和装置、渲染方法
CN111696188B (zh) * 2020-04-26 2023-10-03 杭州群核信息技术有限公司 渲染图快速光照编辑方法和装置、渲染方法
CN111640174A (zh) * 2020-05-09 2020-09-08 杭州群核信息技术有限公司 一种基于固定视角的家具生长动画云渲染方法及系统
WO2021228031A1 (zh) * 2020-05-09 2021-11-18 华为技术有限公司 渲染方法、设备以及系统
CN111640174B (zh) * 2020-05-09 2023-04-21 杭州群核信息技术有限公司 一种基于固定视角的家具生长动画云渲染方法及系统
WO2022007862A1 (zh) * 2020-07-08 2022-01-13 华为技术有限公司 图像处理方法、系统、电子设备及计算机可读存储介质
CN112070875A (zh) * 2020-09-11 2020-12-11 网易（杭州）网络有限公司 图像处理方法、装置、电子设备和存储介质
CN112905293B (zh) * 2021-03-26 2023-07-07 贝壳找房(北京)科技有限公司 图形加载方法与系统以及图形渲染方法与系统
CN112905293A (zh) * 2021-03-26 2021-06-04 北京房江湖科技有限公司 图形加载方法与系统以及图形渲染方法与系统
CN112950738A (zh) * 2021-03-30 2021-06-11 杭州群核信息技术有限公司 渲染引擎的处理方法及装置、存储介质和电子设备
CN114066722A (zh) * 2021-11-03 2022-02-18 北京字节跳动网络技术有限公司 用于获取图像的方法、装置和电子设备
CN113934500A (zh) * 2021-11-03 2022-01-14 杭州逗酷软件科技有限公司 渲染方法、装置、存储介质及电子设备
CN114066722B (zh) * 2021-11-03 2024-03-19 抖音视界有限公司 用于获取图像的方法、装置和电子设备
CN114979757A (zh) * 2022-06-02 2022-08-30 北京字跳网络技术有限公司 视频发布方法、装置、设备及存储介质
CN114979757B (zh) * 2022-06-02 2024-01-30 北京字跳网络技术有限公司 视频发布方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN107680042B (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN107680042A (zh) 渲染方法、装置、引擎及存储介质
CN107527322A (zh) 渲染方法、装置、引擎及存储介质
CN103460253B (zh) 用于图形处理的像素值精简
JP6853391B2 (ja) マップインターフェースにおける待ち時間の低減
CN107742317A (zh) 一种渲染图像的获取方法、装置、渲染系统及存储介质
US8692847B2 (en) Brushing tools for digital image adjustments
US10127210B1 (en) Content rendering
US20140092012A1 (en) Adaptive tone map to a region of interest to yield a low dynamic range image
CN105487848B (zh) 一种3d应用的显示刷新方法及系统
CN108038897A (zh) 阴影贴图生成方法及装置
CN111400024B (zh) 渲染过程中的资源调用方法、装置和渲染引擎
CN102254340A (zh) 一种基于gpu加速的环境光遮挡图像绘制方法及系统
CN108765520B (zh) 文本信息的渲染方法和装置、存储介质、电子装置
Bowers et al. A ray tracing approach to diffusion curves
JP2016529752A (ja) 密な動き場を介する下位のビデオシーケンスへの画像編集伝達
CN107179920A (zh) 网络引擎启动方法及装置
CN113763526B (zh) 一种头发高光渲染方法、装置、设备及存储介质
US20160284322A1 (en) Geometric shape hierarchy determination to provide visualization context
CN112686939A (zh) 景深图像的渲染方法、装置、设备及计算机可读存储介质
CN108279956B (zh) 进度指示方法及进度指示装置、存储介质、电子设备
US8761543B2 (en) Image processing using bounds adjustment
Peng et al. Mpib: An mpi-based bokeh rendering framework for realistic partial occlusion effects
CN104392408B (zh) 一种展现图像的系统及方法
CN107273072B (zh) 图片显示方法、装置及电子设备
DE102019000178A1 (de) Interaktives System zum automatischen Synthetisieren einer contentsensitiven Füllung

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant