CN110163948A - 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 - Google Patents
一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 Download PDFInfo
- Publication number
- CN110163948A CN110163948A CN201910300570.5A CN201910300570A CN110163948A CN 110163948 A CN110163948 A CN 110163948A CN 201910300570 A CN201910300570 A CN 201910300570A CN 110163948 A CN110163948 A CN 110163948A
- Authority
- CN
- China
- Prior art keywords
- sample
- path
- pixel
- metropolis
- current sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000009877 rendering Methods 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 2
- 239000011521 glass Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910001037 White iron Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法包括场景解析和参数设置；预采样获得初始样本；基于两种策略的正式渲染阶段；生成渲染图像等步骤。本发明提供的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法能提高明暗混合位置的渲染效果，优化整体采样分布。
Description
技术领域
本发明属于高逼真度图形渲染技术领域，尤其涉及一种模糊度评价的多通路Metropolis光线追踪自适应采样方法。
背景技术
实现在复杂光照模型中完成高逼真度的图形渲染任务一直是计算机图形学的主要目标。高逼真度的渲染技术越来越多的被应用到影视特效、建筑设计和游制作等领域。同时具备高逼真的渲染技术还被应用到民航飞行模拟训练的视景仿真中。为了追求更高的实际应用价值，尤其在一些对视觉真实感要求较高的应用领域，要求所渲染出来的图像具有较高的逼真度。多通路Metropolis光线追踪算法(Multiplexed Metropolis lightTransport,MMLT)在以间接光照为主或者光线较暗的场景中路径搜索效率高，且算法鲁棒性强。但是，由于其采样过程是通过MCMC(Markov Chain Monte Carlo)采样算法主要过程是利用Metroplis-Hastings规则构造一条马尔可夫链,根据当前采样样本按提议分布函数生成提议样本,提议样本的接收与拒绝由接受概率来决定,其中接受概率取决于提议样本和当前样本光照值的比值。采样过程的转换不具备全局性，样本的更新与历史采样状态无关，同时忽略了像素内样本噪声水平对渲染结果的影响，因在一些局部明暗混合位置会出现不同程度的渲染失真问题，从而影响渲染结果的逼真度。
有鉴于此，如何设计一种兼顾历史采样状态和像素内噪声水平的渲染技术，又能提高明暗混合位置的渲染效果的逼真度，优化整体采样分布，是业内技术人员急需解决的一项课题。
发明内容
本发明的目的在于提供一种基于模糊度评价的多通路Metropolis自适应采样方法。
一种基于模糊度评价的多通路Metropolis自适应采样方法，所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景对象模型并获得渲染过程所需的参数；
步骤2：对步骤1构建完成的场景模型进行预采样，获得进入正式渲染的样本种子；
步骤3：对当前样本进行突变，如果当前样本对应的像素位置的采样数量未达到阈值，对当前样本进行小范围内的扰动获得提议样本并进入步骤5；如果当前样本对应像素位置采样数量达到采样阈值，进入步骤4；
步骤4：从当前样本对应八邻域位置中筛选模糊度最大的作为提议样本；
步骤5：根据当提议样本和前样本标量度函数的比值来计算接受概率，根据接受概率来确定提议样本的接受与拒绝，每个样本的拒绝次数不能超过设定的最大拒绝次数，否则必须接受当前样本；
步骤6：如果提议样本被接收，则下一次提议样本为当前样本进行突变生成新的提议样本，否则保留当前样本；
步骤7：根据标量因子计算当前样本的光照值，并通过将光照值添加到对应像素位置的集合中；
步骤8：如果当前迭代次数达到马尔科夫链的上限数，进行一次大范围内的随机突变，并开始一条新的马尔可夫链；
步骤9：如果整体采用数量达到预设的场景最大采样数量，则结束渲染否则回到步骤3；
步骤10：将所有采样样本写入胶片并生成渲染结果图片。
优选地，在步骤1中，涉及的场景文件为渲染是所需要的参数，包括场景中的几何信息，材料特性、光源类型、相机模型、积分器等；还包括每像素平均采样数量，和并根据平均采样数量计算出采样阈值和马尔可夫链长度；此外为了实现模糊度评价，还需创建和像素平面相同大小的集合矩阵，用于存储每像素采样样本。
优选地，在步骤2中，对构成完成的场景进行预采样，主要在像素平面上根据采样数量随机生成一定数量的采样点，并通过双向路径连接的方式获得路径样本，并将这些样本作为进入正式渲染阶段样本种子；同时计算标量因子b，来计算整个图像素的亮度，标量因子的计算公式为：
b＝∫Ωp*(x)dx (1)
其中，p*(x)为正标量函数，且p*(x)正比于概率密度函数p(x)。
优选地，在步骤3中，对当前样本进行小范围内的扰动使用正态分布获得提议样本，提议样本和当前样本关系如下：
xi+1～N(xi,σ2) (2)
其中提议样本xi+1通过正态分布对当前样本xi进行扰动获得。
优选地，在步骤4中，如果当前样本位置为x0(m,n)，则对应八邻域空间Θ如下：
以每个像素内所有样本值为集合<L1,...,Ln>，u(Li)为隶属都函数，计算如下：
其中Li表示每一个路径样本获得的光照值,为所有样本的均值；在本方法中隶属度函数只作大小判断,为了方便计算将a和β均取值为1；模糊都计算选取可表达像素内噪声水平的Deluca-Termini模糊度作为像素内的噪声水平的评价标准，计算如下：
n为像素内样本个数，Q值越大,噪声水平越高,则采样权重越大。
优选地，在步骤5中，接受概率的值计算方式为：
其中f(x)和f(y)为当前样本和提议样的标量亮度函数值。
优选地，在步骤6中，如果提议样本为y，当前样本为xi，下一次突变的起始状态xi+1则如果接受提议样本则xi+1＝y；否则保留当前样本xi+1＝xi。
优选地，在步骤7中，路径样本的光照值计算机公式为：
其中为标量函数，为像素过滤函数，为该路径的贡献度函数，h和f也称为该像素和路径的通光率，b为步骤2计算得到的标量因子。
有益效果：本发明要解决的技术问题是提供一种基于模糊度评价的多通路Metropolis自适应采样方法。该方法以像素内采样样本为集合并且引Deluca-Termini模糊度作为像素噪声水平的评价标准；其次为了降低当前像素和周围像素内路径样本的差异性，采样过程中当采样数量达到一定数目后，将模糊度作为当前像素八邻域位置的采样权重，以权重来影响不同噪声水平像素采样比重，从而进行自适应采样。引入模糊度作为权值的自适应采样方法切实改进了不同光照材质场景中的明暗混合位置的渲染效果，减少生成图像噪声的同时改进了整体的采样分布。
附图说明
图1为本发明提供的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法流程图；
图2-1、图2-2、图2-3为本发明中产品1的渲染结果对比图；
图3-1、图3-2、图3-3为本发明中产品1的渲染结果细节对比图1；
图4-1、图4-2、图4-3为本发明中产品1的渲染结果细节对比图2；
图5-1、图5-2、图5-3为本发明中产品1的采样密度分布图；
图6-1、图6-2、图6-3为本发明中产品2的渲染结果对比图；
图7-1、图7-2、图7-3为本发明中产品2的渲染结果细节对比图；
图8-1、图8-2、图8-3为本发明中产品2的采样密度分布图；
具体实施方式
下面参照附图对本发明的具体实施方案作进一步的详细描述。
如图1所示，本发明提供的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景对象模型并获得渲染过程所需的参数；
其中涉及的场景文件为渲染是所需要的参数，包括场景中的几何信息，材料特性、光源类型、相机模型、积分器等；还包括每像素平均采样数量，和并根据平均采样数量计算出采样阈值和马尔可夫链长度。此外为了实现模糊度评价，还需创建和像素平面相同大小的集合矩阵，用于存储每像素采样样本。
步骤2：对步骤1构建完成的场景模型进行预采样，获得进入正式渲染的样本种子。
具体方法：对构成完成的场景进行预采样，主要在像素平面上根据采样数量随机生成一定数量的采样点，并通过双向路径连接的方式获得路径样本，并将这些样本作为进入正式渲染阶段样本种子。同时计算标量因子b，来计算整个图像素的亮度。所述的标量因子计算为：
b＝∫Ωp*(x)dx (1)
其中，p*(x)为正标量函数，且p*(x)正比于概率密度函数p(x)。
步骤3：对当前样本进行突变，如果当前样本对应的像素位置的采样数量未达到阈值，对当前样本进行小范围内的扰动获得提议样本并进入步骤5；如果当前样本对应像素位置采样数量达到采样阈值，进入步骤4。
具体方法是：对当前样本进行小范围内的扰动使用正态分布获得提议样本，提议样本和当前样本关系如下：
xi+1～N(xi,σ2) (2)
其中提议样本xi+1通过正态分布对当前样本xi进行扰动获得。
步骤4：从当前样本对应八邻域位置中筛选模糊度最大的作为提议样本。
具体方法是：如果当前样本位置为x0(m,n)，则对应八邻域空间Θ如下：
以每个像素内所有样本值为集合<L1,...,Ln>，u(Li)为隶属都函数，计算如下：
其中Li表示每一个路径样本获得的光照值,为所有样本的均值。在本方法中隶属度函数只作大小判断,为了方便计算将a和β均取值为1。模糊都计算选取可表达像素内噪声水平的Deluca-Termini模糊度作为像素内的噪声水平的评价标准，计算如下：
n为像素内样本个数，Q值越大,噪声水平越高,则采样权重越大。
步骤5：根据当提议样本和前样本标量度函数的比值来计算接受概率，根据接受概率来确定提议样本的接受与拒绝，每个样本的拒绝次数不能超过设定的最大拒绝次数，否则必须接受当前样本。
所述的接受概率的值计算方式为：
其中f(x)和f(y)为当前样本和提议样的标量亮度函数值；
步骤6：如果提议样本被接收，则下一次提议样本为当前样本进行突变生成新的提议样本；否则保留当前样本。
具体方法是：如果提议样本为y，当前样本为xi，下一次突变的起始状态xi+1则如果接受提议样本则xi+1＝y；否则保留当前样本xi+1＝xi。
步骤7：根据标量因子计算当前样本的光照值，并通过将光照值添加到对应像素位置的集合中。
所述的路径样本的光照值计算机公式为：
其中为标量函数，为像素过滤函数，为该路径的贡献度函数，h和f也称为该像素和路径的通光率，b为步骤2计算得到的标量因子；
步骤8：如果当前迭代次数达到马尔科夫链的上限数，进行一次大范围内的随机突变，并开始一条新的马尔可夫链。
步骤9：如果整体采用数量达到预设的场景最大采样数量，则结束渲染否则回到步骤3。
步骤10：将所有采样样本写入胶片并生成渲染结果图片。
下面以一个简单的实验来验证本发明提供的Metropolis光线追踪自适应两阶段采样方法的可行性，详见下文描述：
本实例将基于模糊度评价的多通路Metropolis光线追踪自适应采样方法应用到PBRT-V3版渲染平台中并以MMLT方法为框架进行修改得到本方法。将整个渲染系统部署在IntelRCoreT i7-6700CPU@3.40GHz和内存4GB的计算机上，操作系统为64位Ubuntu 16.04，实验工具为Qt Creator 5.8、Cmake 3.9和MATLAB 2016b。实验主要选取Tea场景和Coffee场景，原因为：Tea场景包含相互作用的透明材质-既有透明玻璃茶壶，茶壶中又含有透明液体，场景中存在透明光线折射，液体在光照射下会出现明暗混合现象；Coffee场景只含有一种透明材质-玻璃，可以与Tea场景形成参照对比，更好地从不同角度去测试渲染算法性能。实验中除了与参考图像进行渲染结果的对比外，还采用客观评价指标——峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structural similarity,SSIM)对生成图像进行质量评价。PSNR基于对应像素点间的误差，即基于误差敏感的图像质量评价。PSNR的值越大越好，单位为dB；SSIM是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构3个方面度量图像相似性。SSIM取值范围为[0,1]，值越大表示图像失真越小。另外，实验中使用采样密度分布图的形式,将每像素被采样的数量转换成对应的颜色，相邻位置的数量变化表现为直观的颜色渐变，通过这种方式来直观对比算法采样分布的改进。
实验一中，对具有具有玻璃和液体相互作用的Tea场景进行渲染。渲染结果图为2-1～2-3，其中图2-1(参考图)，图2-2为(多通路MLT，MMLT)，图2-3(本发明方法)。第一处细节对比图为图3-1～图3-3，其中图3-1(参考图)，图3-2为(多通路MLT，MMLT)，图3-3(本发明方法)。第二处细节对比图为图4-1～图4-3，其中图4-1(参考图)，图4-2为(多通路MLT，MMLT)，图4-3(本发明方法)。采样本密度分布图为图5-1～图5-3，其中图5-1(参考图)，图5-2为(多通路MLT，MMLT)，图5-3(本发明方法)。通过渲染结果图2-1～图2-3发现，本发明方法在方框标识的明暗混合位置渲染效果更逼真；从第一处细节对比图3-1～图3-3，发现本发明方法在透明玻璃壶内的有色液体表面明暗间接的波纹处效果更接近参考图像；从第二处细节对比图4-1～图4-3，发现本发明方法在连接茶壶壶柄位置的透明折射效果最明显，落在壶身玻璃上的液体反光投影最清晰；同采样密度分布图5-2～图5-3，发现本发明方法整体采样分布得到了很好的改进，此外改进算法在地面黑白交界处界限更加明显，壶身液体位置和壶底采样更加均匀，壶身与地面交界处轮廓更加清晰。整个图像的PSNR和SSIM对比如表1所示，本发明方法在PSNR和SSIM两个客观评价指标上均有一定的提升。
实验二中，对只包含透明玻璃的Coffee场景进行渲染。渲染结果图为6-1～6-3，其中图6-1(参考图)，图6-2为(多通路MLT，MMLT)，图6-3(本发明方法)。细节对比图为图7-1～图7-3，其中图7-1(参考图)，图7-2为(多通路MLT，MMLT)，图7-3(本发明方法)。采样本密度分布图为图8-1～图8-3，其中图8-1(参考图)，图8-2为(多通路MLT，MMLT)，图8-3(本发明方法)。通过渲染结果图6-1～图6-3发现，本发明方法在方框处效果更逼真；从细节对比图7-1～图7-3发现本发明方法在玻璃内侧白色铁圈的投影更清晰，内侧杯壁和铁圈的镜面投影效果更加接近参考图像，杯身右侧位置的镜面反光效果更明显，且内侧玻璃壁与底座连接处噪声明显减少，另外外侧玻璃与底座交界处明暗混合位置效果更加真实且噪声明显减少；通过采用密度分布图8-1～图8-3，发现本发明方法整体采样分布得到了很大的改进。整个图像的PSNR和SSIM对比如表1所示，本发明方法在PSNR指标上均有一定的提升，由于图7-3处采样处参考图像没有的效果，所以SSIM指标略低于MMLT方法。
表1场景评价指标对比
综上所述，本发明提供基于模糊度评价的多通路Metropolis自适应采样方法能够解决明暗混合位置的渲染失真问题，同时优化整体采样分布。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景对象模型并获得渲染过程所需的参数；
步骤2：对步骤1构建完成的场景模型进行预采样，获得进入正式渲染的样本种子；
步骤3：对当前样本进行突变，如果当前样本对应的像素位置的采样数量未达到阈值，对当前样本进行小范围内的扰动获得提议样本并进入步骤5；如果当前样本对应像素位置采样数量达到采样阈值，进入步骤4；
步骤4：从当前样本对应八邻域位置中筛选模糊度最大的作为提议样本；
步骤5：根据当提议样本和前样本标量度函数的比值来计算接受概率，根据接受概率来确定提议样本的接受与拒绝，每个样本的拒绝次数不能超过设定的最大拒绝次数，否则必须接受当前样本；
步骤6：如果提议样本被接收，则下一次提议样本为当前样本进行突变生成新的提议样本，否则保留当前样本；
步骤7：根据标量因子计算当前样本的光照值，并通过将光照值添加到对应像素位置的集合中；
步骤8：如果当前迭代次数达到马尔科夫链的上限数，进行一次大范围内的随机突变，并开始一条新的马尔可夫链；
步骤9：如果整体采用数量达到预设的场景最大采样数量，则结束渲染否则回到步骤3；
步骤10：将所有采样样本写入胶片并生成渲染结果图片。
2.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤1中，涉及的场景文件为渲染是所需要的参数，包括场景中的几何信息，材料特性、光源类型、相机模型、积分器等；还包括每像素平均采样数量，和并根据平均采样数量计算出采样阈值和马尔可夫链长度；此外为了实现模糊度评价，还需创建和像素平面相同大小的集合矩阵，用于存储每像素采样样本。
3.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤2中，对构成完成的场景进行预采样，主要在像素平面上根据采样数量随机生成一定数量的采样点，并通过双向路径连接的方式获得路径样本，并将这些样本作为进入正式渲染阶段样本种子；同时计算标量因子b，来计算整个图像素的亮度，标量因子的计算公式为：
b＝∫Ωp*(x)dx (1)
其中，p*(x)为正标量函数，且p*(x)正比于概率密度函数p(x)。
4.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤3中，对当前样本进行小范围内的扰动使用正态分布获得提议样本，提议样本和当前样本关系如下：
xi+1～N(xi,σ2) (2)
其中提议样本xi+1通过正态分布对当前样本xi进行扰动获得。
5.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤4中，如果当前样本位置为x0(m,n)，则对应八邻域空间Θ如下：
Θ＝{x1(m-1,n-1),x2(m-1,n),x3(m-1,n+1),x4(m,n-1),x5(m,n+1),x6(m+1,n-1),x7(m+1,n),x8(m+1,n+1)} (3)
以每个像素内所有样本值为集合<L1,...,Ln>，u(Li)为隶属都函数，计算如下：
其中Li表示每一个路径样本获得的光照值,为所有样本的均值；在本方法中隶属度函数只作大小判断,为了方便计算将a和β均取值为1；模糊都计算选取可表达像素内噪声水平的Deluca-Termini模糊度作为像素内的噪声水平的评价标准，计算如下：
n为像素内样本个数，Q值越大,噪声水平越高,则采样权重越大。
6.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤5中，接受概率的值计算方式为：
其中f(x)和f(y)为当前样本和提议样的标量亮度函数值。
7.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤6中，如果提议样本为y，当前样本为xi，下一次突变的起始状态xi+1则如果接受提议样本则xi+1＝y；否则保留当前样本xi+1＝xi。
8.根据权利要求1所述的基于模糊度评价的多通路Metropolis光线追踪自适应采样方法，其特征在于：在步骤7中，路径样本的光照值计算机公式为：
其中为标量函数，为像素过滤函数，为该路径的贡献度函数，h和f也称为该像素和路径的通光率，b为步骤2计算得到的标量因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300570.5A CN110163948A (zh) | 2019-04-15 | 2019-04-15 | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300570.5A CN110163948A (zh) | 2019-04-15 | 2019-04-15 | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163948A true CN110163948A (zh) | 2019-08-23 |
Family
ID=67638592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910300570.5A Pending CN110163948A (zh) | 2019-04-15 | 2019-04-15 | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163948A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419492A (zh) * | 2020-12-14 | 2021-02-26 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
| CN114339448A (zh) * | 2021-12-31 | 2022-04-12 | 深圳万兴软件有限公司 | 光束视频特效的制作方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527378A (zh) * | 2017-08-28 | 2017-12-29 | 中国民航大学 | 一种Metropolis光线追踪自适应两阶段采样方法 |
| US20180089894A1 (en) * | 2016-09-27 | 2018-03-29 | Adobe Systems Incorporated | Rendering digital virtual environments utilizing full path space learning |
-
2019
- 2019-04-15 CN CN201910300570.5A patent/CN110163948A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089894A1 (en) * | 2016-09-27 | 2018-03-29 | Adobe Systems Incorporated | Rendering digital virtual environments utilizing full path space learning |
| CN107527378A (zh) * | 2017-08-28 | 2017-12-29 | 中国民航大学 | 一种Metropolis光线追踪自适应两阶段采样方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐庆 等: "基于模糊不确定性的自适应采样", 《计算机辅助设计与图形学学报》 * |
| 贺怀清 等: "兼顾采样与光照影响的改进多通路Metropolis光照传播算法", 《计算机辅助设计与图形学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419492A (zh) * | 2020-12-14 | 2021-02-26 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
| CN112419492B (zh) * | 2020-12-14 | 2022-08-23 | 长春理工大学 | 视觉感知驱动蒙卡渲染像素路径采样数自适应控制方法 |
| CN114339448A (zh) * | 2021-12-31 | 2022-04-12 | 深圳万兴软件有限公司 | 光束视频特效的制作方法、装置、计算机设备及存储介质 |
| CN114339448B (zh) * | 2021-12-31 | 2024-02-13 | 深圳万兴软件有限公司 | 光束视频特效的制作方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102939754B (zh) | 样本区域合并技术 | |
| CN106060558B (zh) | 解码器、重建数组的方法、编码器、编码方法 | |
| CN106412608B (zh) | 用于解码、生成数据流的方法和解码器 | |
| CN105825543B (zh) | 基于低空遥感影像的多视密集点云生成方法及系统 | |
| CN110163948A (zh) | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 | |
| CN106446883A (zh) | 基于光标签的场景重构方法 | |
| CN110766640A (zh) | 一种基于深度语义分割的图像去雾方法 | |
| CN106028045A (zh) | 跨平面预测 | |
| CN105872562B (zh) | 跨平面预测 | |
| Zwolinski et al. | Computing and monitoring potential of public spaces by shading analysis using 3d Lidar data and advanced image analysis | |
| Zhang et al. | Benchmarking the Robustness of Object Detection Based on Near‐Real Military Scenes | |
| Sun et al. | Landscape Image Defogging System Based on DCPA Algorithm Optimization | |
| CN106028044B (zh) | 解码数据流的方法、生成数据流的方法 | |
| CN106131574A (zh) | 跨平面预测 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
| RJ01 | Rejection of invention patent application after publication |