CN112258412B - 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统 - Google Patents

基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统 Download PDF

Info

Publication number
CN112258412B
CN112258412B CN202011139028.5A CN202011139028A CN112258412B CN 112258412 B CN112258412 B CN 112258412B CN 202011139028 A CN202011139028 A CN 202011139028A CN 112258412 B CN112258412 B CN 112258412B
Authority
CN
China
Prior art keywords
output
median
variance
domain
function
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.)
Active
Application number
CN202011139028.5A
Other languages
English (en)
Other versions
CN112258412A (zh
Inventor
鲍虎军
王锐
郑文庭
李仕
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011139028.5A priority Critical patent/CN112258412B/zh
Publication of CN112258412A publication Critical patent/CN112258412A/zh
Application granted granted Critical
Publication of CN112258412B publication Critical patent/CN112258412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统，包括：将着色器解析成以抽象语法树组织的多个计算节点，将每个计算节点看作随机变量，针对每个计算节点，基于绘制计算函数的定义域，计算输入中值和输入方差在定义域内的输出中值和输出方差，依据输出中值和输出方差获得概率密度分布，以实现卷积近似，并以最后计算节点的输出中值作为着色器自动滤波结果。该方法和装置通过增加定义域和值阈的方式，将每次进行卷积近似计算约束在定义域和值阈内，以避免卷积过程出现严重失职，进而提高着色器滤波的普适性和质量。

Description

基于定义域和值域的卷积近似的着色器自动滤波方法、装置 和系统
技术领域
本发明涉及图形绘制，信号滤波和自动测试技术领域，具体涉及一种基于定义域和值域的近似卷积的着色器自动滤波方法、装置和系统。
背景技术
绘制过程中，屏幕像素颜色可以理解成为对于绘制物体表面连续信号的离散采样。根据信号采样定理，只有信号采样频率大于信号中最高频率2倍时，采样的数字信号才能完整保留原始信号中的信息。由于实时绘制对效率的约束导致采样频率不够，从而产生了常见的走样现象。在图形学中，用于减少或消除这种效果的技术，就称为反走样。在显示屏光栅图形时，可以理解成用离散信号采样物体表面连续的信号。由于屏幕设备像素有限，导致采样率经常不够。因此，反走样技术在图形学绘制中一直都是学术界和工业界重点关注的课题。
超采样和随机采样是两种最早提出的方法，超采样能够从根本上解决采样率不足的问题，因此常被作为精确值进行实用，但是计算代价太高，不适合用于实时绘制。随机采样在低采样率时存在较大的噪声，效果不稳定。因此，一些针对特定场景的高效滤波方法逐步被人提出。
Mipmapping和SATs是对于纹理滤波最常用的两种方法，并且Mipmapping具备通用硬件支持，但两种方法均受限于线性空间。对于非线性方程，研究人员尝试用高斯函数逼近原方程或者引入概率密度函数，通过高斯函数的性质和卷积计算实现对非线性空间的滤波方法。由于绘制方程是图形学中最重要的着色计算公式之一，因此有大量的研究方法通过引入高斯函数和法向分布函数的方法，解决高光部分由于采样不足导致的闪烁的走样问题。工业界中最常用的是Lean mapping，即利用高斯函数在斜率域上逼近法向分布函数，通过对一阶和二阶矩实现对绘制方程的滤波。随后，研究人员将Lean mapping增加考虑可见性、阴影，甚至直接对双向反射分布函数进行滤波，拓展了原始方法的适用范围。
然后上述方法是针对特定绘制方程或者分布函数，难以直接应用到其他的方程中。杨等人提出一个新的自动框架来构建滤波的着色器并且产生光顺的结果，详见文献YANG Y.,BARNES C.:Approximate program smoothing using mean-variancestatistics,with application to procedural shader bandlimiting.In ComputerGraphics Forum(2018),vol.37,Wiley Online Library,pp.443–454。针对任意的着色器，首先将着色器分拆成很多子程序，依次滤波每一个子程序。对于每个子程序应用中值-方差概率统计方法，通过核卷积依次计算输出节点的中值和方差，迭代上述过程，得到着色器输出节点的概率密度函数，最后输出节点的中值即作为滤波过后的结果输出。然而，这种方法在卷积过程中可能出现严重失真，因为迭代过程中并考虑到定义域和值域影响，在计算中值和方差过程中可能出现结果在值域以外。
因此，对任意着色器滤波仍然是一个有挑战性的问题。
发明内容
本发明的目的是提供一种基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统，通过增加定义域和值阈的方式，将每次进行卷积近似计算约束在定义域和值阈内，以避免卷积过程出现严重失职，进而提高着色器滤波的普适性和质量。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种基于定义域和值域的卷积近似的着色器自动滤波方法，包括将着色器解析成以树结构组织的多个计算节点，将每个计算节点看作随机变量，采用中值-方差概率统计方法统计每个计算节点的概率密度分布，以实现卷积近似，并以最后计算节点的输出中值作为着色器自动滤波结果，针对每个计算节点，基于绘制计算函数和计算节点的定义域、输入中值和输入方差，计算计算节点的输出中值和输出方差，依据输出中值和输出方差获得输出节点的概率密度分布函数，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差。
第二方面，一种基于定义域和值域的卷积近似的着色器自动滤波装置，包括：
着色器解析模块，用于将着色器解析成以抽象语法树组织的多个计算节点；
滤波模块，用于针对每个计算节点，基于绘制计算函数的定义域，计算输入中值和输入方差在定义域内的输出中值和输出方差，并以最后计算节点的输出中值作为着色器自动滤波结果，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差。
第三方面，一种基于定义域和值域的卷积近似的着色器自动滤波系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于定义域和值域的卷积近似的着色器自动滤波方法。
与现有技术相比，本发明具有的有益效果为：
本发明提供的基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统，将着色器解析成以树结构组织的多个计算节点，通过设置绘制计算函数的定义域和值域，将每个计算节点的概率密度分布约束在定义域内，使得着色器的抽象语法树的计算节点的概率分布函数更加合理，能够拓展着色器自动滤波方法的适用范围，提升着色器自动滤波方法的质量，具有更高的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅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前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于定义域和值域的卷积近似的着色器自动滤波方法的流程图；
图2是本发明实施例提供的重归一化法与背景技术中杨提出的着色器滤波方法的效果比对图；
图3是本发明实施例提供的高斯函数拟合法与背景技术中杨提出的着色器滤波方法的效果比对图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了解决将将着色器分拆成很多子程序，不考虑定义域和值域依次滤波每一个子程序导致滤波结果出现严重失真进而影响滤波质量问题，本发明实施例提供了一种基于定义域和值域的卷积近似的着色器自动滤波方法，如图1所示，该基于定义域和值域的卷积近似的着色器自动滤波方法包括以下步骤：
步骤1，将着色器解析成以抽象语法树组织的多个计算节点，每个计算节点都看作一个随机变量，用中值-方差的形式表征随机变量的概率密度函数。
在将着色器解析成多个计算节点时，实际上是将整个着色器的着色程序拆分成由多个子程序，每个子程序对应一个计算节点，将对每个子程序的依次执行过程转化为对每个计算节点的概率密度分布的依次计算来实现整个着色过程。
例如对于着色器实现函数f(x)＝exp(-x2)，将函数分拆成3个子程序，分别对应x1＝x2，x2＝-x1和x3＝exp(x2)，产生了3个中间计算节点x1,x2,x3。根据计算函数和节点的输入中值和输出方差，计算节点的输出中值和输出方差。x1在x1＝x2计算得到的输出中值和输出方差，将作为计算节点x2的输入中值和输入方差，代入计算函数x2＝-x1，求解出x2的输出中值和输出方差。
步骤2，针对每个计算节点，基于绘制计算函数和计算节点的定义域、输入中值和输入方差，计算计算节点的输出中值和输出方差，依据输出中值和输出方差获得输出节点的概率密度分布函数，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差。
每个计算节点都看作一个随机变量，通过计算随机变量的中值和方差来表征随机变量的概率密度分布，假定输入变量也有特定的分布，并且认为输入变量与抽象语法树中的其余随机变量之间不相关。这样以中值和方差为特征的概率密度分布函数在语法抽象树上逐步传输，抽象语法树上最后的计算节点的输出中值作为滤波的结果，以实现着色滤波过程。
实施例中，通过三根光线采样法对绘制参数进行采样得到的初始中值和方差作为第一个计算节点的输入变量。针对除第一个计算节点的其他计算节点，以在数据流方向上与计算节点相连的上一计算节点的输出中值和输出方差作为输入变量，该输入变量也就是输入中值和输入方差。
在一种实施方式中，针对每个计算节点，采用重归一化法计算输入中值和输入方差在定义域内的输出中值和输出方差，目的是卷积积分求解出来的中值和方差是针对实域，而并不是计算节点的定义域。因此本发明采用交叉验证的方法优化在定义域中的输出中值和输出方差，使得在定义域内优化的输出中值和输出方差表示的概率密度函数和实域中的输出中值和输出方差表示的概率密度函数近似。具体过程为：
计算绘制计算函数和以输入中值和输入方差表示的概率密度函数在定义域内的卷积积分，得到输出中值和输出方差，并在值阈内，对输出中值和输出方差做重归一化处理，以优化输出中值和输出方差。
具体地，可以采用以下公式得到每个计算节点的输出中值和输出方差：
Figure BDA0002737623280000061
Figure BDA0002737623280000062
其中，μY、
Figure BDA0002737623280000063
为输出中值和输出方差，f(u)为输入变量u的绘制计算函数，fX(u)是以输入中值和输入方差表示的概率密度函数，[ai，bi]是计算节点的定义域。
在一种实施方式中，在对输出中值和输出方差做重归一化处理时，依据以输出中值和输出方差表示的概率密度函数在定义域内的输出中值和输出方差与在实域中的输出中值和方差的差值来构建损失函数，并设定输出中值和输出方差的初始调整步长，每次迭代优化时，依据损失函数的变化情况更新调整步长，依据调整步长优化输出中值和/或输出方差，直到达到预设迭代次数为止确定的输出中值和输出方差即为优化后的输出中值和输出方差。
其中，构建的损失函数L可以为：
Figure BDA0002737623280000071
其中，μY、
Figure BDA0002737623280000072
为输出中值和输出方差，，
Figure BDA0002737623280000073
是在值域范围内优化的输出中值和输出方差，
Figure BDA0002737623280000074
是标准的高斯函数，[ao，bo]表示结合计算函数和输入变量u的定义域产生的计算函数的值域，符号‖·‖表示一阶范式；
每次迭代优化时，依据更新的输出中值和输出方差和损失函数L计算损失函数值，在当前迭代次损失函数值相比上次迭代损失函数值大时，更新调整步长，进而依据更新的调整步长优化输出中值和输出方差。
在一种实施方式中，依据损失函数的变化情况更新调整步长，依据调整步长优化输出中值和输出方差时，分阶段优化输出中值和输出方差，在每个优化阶段内：
首先，将上一优化阶段确定的输出中值和输出方差作为初始值，每次迭代计算时，依据计算损失函数的变化情况更新输出中值的调整步长，依据输出中值的调整步长优化输出中值，输出中值阶段优化结束时，获得阶段性确定的输出中值；
然后，依据当前优化阶段确定的输出中值和上一优化阶段确定的输出方差作为初始值，每次迭代计算时，依据损失函数的变化情况更新输出方差的调整步长，依据输出方差的调整步长初步优化输出方差，输出方差阶段优化结束时，获得阶段性确定的输出方差。
本实施例中，采用分阶段优化的方式优化输出中值和输出方差，可以逐步逼近满足定义域范围的以中值和方差表征的概率密度函数，从而实现在定义域范围内概率密度函数积分为1。
其中，在当前迭代次损失函数值相比上次迭代损失函数值大时，更新调整步长为上次迭代调整步长的-1/2。
举例说明，对输出中值和输出方差做重归一化处理的具体过程可以为：
(a)初始化
Figure BDA0002737623280000081
输出中值的初始调整步长stepu＝0.1，输出方差的初始调整步长
Figure BDA0002737623280000082
(b)依据调整步长优化输出中值
Figure BDA0002737623280000083
根据优化后的输出中值
Figure BDA0002737623280000084
和输出方差
Figure BDA0002737623280000085
按照公式(3)所示的损失函数计算损失函数值L，在当前损失函数值L相比上次迭代损失函数值增大时，更新输出中值的调整步长
Figure BDA0002737623280000086
(c)迭代执行步骤(b)至少5次；
(d)依据调整步长优化输出方差
Figure BDA0002737623280000087
根据优化后的输出方差
Figure BDA0002737623280000088
和步骤(c)最后优化获得的输出中值
Figure BDA0002737623280000089
按照公式(3)所示的损失函数计算损失函数值L，在当前损失函数值L相比上次迭代损失函数值增大时，更新输出方差的调整步长
Figure BDA00027376232800000810
(e)迭代执行步骤(d)至少5次；
(f)迭代执行步骤(b)～步骤(e)至少5次，获得重归一化优化后的输出中值和输出方差。
上述采用重归一化法来优化输出中值和输出方差，可以同时兼顾定义域、值域和中值、方差的特征，相比于背景技术中杨的着色器滤波方法，本发明提供的重归一化法能够更加有效的表征计算节点的概率密度函数，从而能够提升滤波的效果。
在另外一个实施方式中，针对每个计算节点，基于绘制计算函数的定义域，采用高斯函数拟合法计算输入中值和输入方差在定义域内的输出中值和输出方差，具体过程为：
依据绘制计算函数、由输入中值和输入方差表示的概率密度函数构建复合函数，采用高斯函数对复合函数处于绘制计算函数的定义域内的极值点进行拟合逼近，以拟合效果最好的高斯函数的中值和方差作为输出中值和输出方差。
具体实施时，直接通过查表的方式获得高斯函数的中值和方差作为输出中值和输出方差，中值和方差的表达式是通过高斯函数对处于绘制计算函数的定义域内的计算函数和概率密度函数的卷积的极值点进行拟合逼近并且预存储。
上述采用高斯函数拟合法来优化输出中值和输出方差，可以同时兼顾定义域、值域和极值的特征，相比于杨的原始方法，方法也能够更加有效的表征计算节点的概率密度函数，从而能够提升滤波的效果；相比于重归一化方法，补充对概率密度函数的极值特征的描述，提升滤波方法的适应性和鲁棒性。
在实际应用时，对于每个计算节点从上述重归一化法和高斯函数拟合法中选择一种计算输出中值和输出方差的方法，均运行滤波过程测试质量和时间，对于所有候选的滤波着色器，根据时间和质量找到帕累托边界，选择出优秀的滤波着色器，利用最优的滤波着色器来对输入绘制参数进行着色器滤波。
为了验证本发明提出的重归一化法和高斯函数拟合法的有效性，给出两个示例着色器代码，分别和背景技术中杨的着色器滤波方法进行对比分析。
着色器代码一：
Figure BDA0002737623280000101
着色器代码一表征一个着色器实现函数f(x)＝exp(-10*x2)，采用重归一化方法与杨的着色器滤波方法对比，结果如图2所示。图2中从左到右依次是直接采样结果，杨的着色器滤波方法结果，重归一化方法结果，正确结果，对应的PSNR分别为10.824841，4.793894，16.914023以及∞。比较图2可得，由于杨的着色器滤波方法未考虑定义域和值域，导致对于函数y＝x2未考虑到值域是[0，+∞)，因此重归一化法增加考虑定义域和值域，并且兼顾中值和方差，从而提升结果的质量。
着色器代码二：
Figure BDA0002737623280000102
Figure BDA0002737623280000111
着色器代码二表征常用的法相分布函数Beckmann分布，在绘制方程中经常实用。采用高斯函数拟合的方法，结果如图3所示。图3中从左到右依次是直接采样结果，杨的着色器滤波方法结果，高斯函数拟合法结果，正确结果，对应的PSNR分别为21.3533，7.05648，24.2104以及∞。比较图3可得，由于杨的着色器滤波方法未考虑定义域和值域，导致对于函数y＝1.0-1.0/x^2和未考虑到在x的定义域是[0，1]条件下值域是(-∞,0]，因此高斯函数拟合法增加考虑定义域和值域，并且兼顾极值，从而提升结果的质量。
上述基于定义域和值域的卷积近似的着色器自动滤波方法，将着色器解析成以树结构组织的多个计算节点，通过设置绘制计算函数的定义域和值域，将每个计算节点的概率密度分布约束在定义域内，使得着色器的抽象语法树的计算节点的概率分布函数更加合理，能够拓展着色器自动滤波方法的适用范围，提升着色器自动滤波方法的质量，具有更高的实用性。
实施例还提供了一种基于定义域和值域的卷积近似的着色器自动滤波装置，包括：
着色器解析模块，用于将着色器解析成以抽象语法树组织的多个计算节点；
滤波模块，用于针对每个计算节点，基于绘制计算函数的定义域，计算输入中值和输入方差在定义域内的输出中值和输出方差，并以最后计算节点的输出中值作为着色器自动滤波结果，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差。
其中，所述滤波模块包括：
重归一化法计算模块，用于针对每个计算节点，基于绘制计算函数的定义域，采用重归一化法计算输入中值和输入方差在定义域内的输出中值和输出方差，并以最后计算节点的输出中值作为着色器自动滤波结果；
高斯函数拟合法模块，用于针对每个计算节点，基于绘制计算函数的定义域，采用高斯函数拟合法计算输入中值和输入方差在定义域内的输出中值和输出方差，并以最后计算节点的输出中值作为着色器自动滤波结果。
需要说明的是，上述实施例提供的基于定义域和值域的卷积近似的着色器自动滤波装置在进行着色器自动滤波时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于定义域和值域的卷积近似的着色器自动滤波装置与基于定义域和值域的卷积近似的着色器自动滤波方法实施例属于同一构思，其具体实现过程详见基于定义域和值域的卷积近似的着色器自动滤波方法实施例，这里不再赘述。
实施例还提供了一种基于定义域和值域的卷积近似的着色器自动滤波系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于定义域和值域的卷积近似的着色器自动滤波方法。
实际应用中，计算机存储器可以为在近端的易失性存储器，如RAM，还可以是失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现基于定义域和值域的卷积近似的着色器自动滤波方法步骤。
上述基于定义域和值域的卷积近似的着色器自动滤波装置和系统，将着色器解析成以树结构组织的多个计算节点，通过设置绘制计算函数的定义域和值域，将每个计算节点的概率密度分布约束在定义域内，使得着色器的抽象语法树的计算节点的概率分布函数更加合理，能够拓展着色器自动滤波方法的适用范围，提升着色器自动滤波方法的质量，具有更高的实用性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于定义域和值域的卷积近似的着色器自动滤波方法，包括：将着色器解析成以抽象语法树组织的多个计算节点，将每个计算节点看作随机变量，采用中值-方差概率统计方法统计每个计算节点的概率密度分布，以实现卷积近似，并以最后计算节点的输出中值作为着色器自动滤波结果，其特征在于，
针对每个计算节点，基于绘制计算函数和计算节点的定义域、输入中值和输入方差，计算计算节点的输出中值和输出方差，包括：计算绘制计算函数和以输入中值和输入方差表示的概率密度函数在定义域内的卷积积分，得到输出中值和输出方差，并在值域内，对输出中值和输出方差做重归一化处理，以优化输出中值和输出方差；
依据输出中值和输出方差获得输出节点的概率密度分布函数，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差；
在对输出中值和输出方差做重归一化处理时，依据以输出中值和输出方差表示的概率密度函数在定义域内的输出中值和输出方差与在实域中的输出中值和方差的差值来构建损失函数，并设定输出中值和输出方差的初始调整步长，每次迭代优化时，依据损失函数的变化情况更新调整步长，依据调整步长优化输出中值和输出方差，直到达到预设迭代次数为止确定的输出中值和输出方差即为优化后的输出中值和输出方差。
2.如权利要求1所述的基于定义域和值域的卷积近似的着色器自动滤波方法，其特征在于，构建的损失函数L为：
Figure FDA0003016536430000021
其中，μY、
Figure FDA0003016536430000022
为输出中值和输出方差，
Figure FDA0003016536430000023
是在值域范围内优化的输出中值和输出方差，
Figure FDA0003016536430000024
是标准的高斯函数，[ao,bo]表示结合计算函数和输入变量u的定义域产生的计算函数的值域，符号||·||表示一阶范式；
每次迭代优化时，依据更新的输出中值和输出方差和损失函数L计算损失函数值，在当前迭代次损失函数值相比上次迭代损失函数值大时，更新调整步长，进而依据更新的调整步长优化输出中值和输出方差。
3.如权利要求2所述的基于定义域和值域的卷积近似的着色器自动滤波方法，其特征在于，在当前迭代次损失函数值相比上次迭代损失函数值大时，更新调整步长为上次迭代调整步长的-1/2。
4.如权利要求2所述的基于定义域和值域的卷积近似的着色器自动滤波方法，其特征在于，依据损失函数的变化情况更新调整步长，依据调整步长优化输出中值和输出方差时，分阶段优化输出中值和输出方差，在每个优化阶段内：
首先，将上一优化阶段确定的输出中值和输出方差作为初始值，每次迭代计算时，依据计算损失函数的变化情况更新输出中值的调整步长，依据输出中值的调整步长优化输出中值，输出中值阶段优化结束时，获得阶段性确定的输出中值；
然后，依据当前优化阶段确定的输出中值和上一优化阶段确定的输出方差作为初始值，每次迭代计算时，依据损失函数的变化情况更新输出方差的调整步长，依据输出方差的调整步长初步优化输出方差，输出方差阶段优化结束时，获得阶段性确定的输出方差。
5.如权利要求1所述的基于定义域和值域的卷积近似的着色器自动滤波方法，其特征在于，针对每个计算节点，基于绘制计算函数的定义域，采用高斯函数拟合法计算输入中值和输入方差在定义域内的输出中值和输出方差，具体过程为：
依据绘制计算函数、由输入中值和输入方差表示的概率密度函数构建复合函数，采用高斯函数对复合函数处于绘制计算函数的定义域内的极值点进行拟合逼近，以拟合效果最好的高斯函数的中值和方差作为输出中值和方差。
6.如权利要求5所述的基于定义域和值域的卷积近似的着色器自动滤波方法，其特征在于，直接通过查表的方式获得高斯函数的中值和方差作为输出中值和输出方差，中值和方差的表达式是通过高斯函数对处于绘制计算函数的定义域内的计算函数和概率密度函数的卷积的极值点进行拟合逼近并且预存储。
7.一种基于定义域和值域的卷积近似的着色器自动滤波装置，其特征在于，包括：
着色器解析模块，用于将着色器解析成以抽象语法树组织的多个计算节点；
滤波模块，用于针对每个计算节点，基于绘制计算函数的定义域，计算输入中值和输入方差在定义域内的输出中值和输出方差，包括：计算绘制计算函数和以输入中值和输入方差表示的概率密度函数在定义域内的卷积积分，得到输出中值和输出方差，并在值域内，对输出中值和输出方差做重归一化处理，以优化输出中值和输出方差；依据输出中值和输出方差获得输出节点的概率密度分布函数，所述输入中值和输入方差为在数据流方向上与当前计算节点相连的上一计算节点的输出中值和输出方差；
在对输出中值和输出方差做重归一化处理时，依据以输出中值和输出方差表示的概率密度函数在定义域内的输出中值和输出方差与在实域中的输出中值和方差的差值来构建损失函数，并设定输出中值和输出方差的初始调整步长，每次迭代优化时，依据损失函数的变化情况更新调整步长，依据调整步长优化输出中值和输出方差，直到达到预设迭代次数为止确定的输出中值和输出方差即为优化后的输出中值和输出方差。
8.一种基于定义域和值域的卷积近似的着色器自动滤波系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现权利要求1～6任一项所述的基于定义域和值域的卷积近似的着色器自动滤波方法。
CN202011139028.5A 2020-10-22 2020-10-22 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统 Active CN112258412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011139028.5A CN112258412B (zh) 2020-10-22 2020-10-22 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011139028.5A CN112258412B (zh) 2020-10-22 2020-10-22 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统

Publications (2)

Publication Number Publication Date
CN112258412A CN112258412A (zh) 2021-01-22
CN112258412B true CN112258412B (zh) 2021-07-13

Family

ID=74264593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011139028.5A Active CN112258412B (zh) 2020-10-22 2020-10-22 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统

Country Status (1)

Country Link
CN (1) CN112258412B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167015A (zh) * 2014-07-31 2014-11-26 浙江大学 一种基于表面信号拟合的着色器简化方法、装置及图形渲染方法
CN104537706A (zh) * 2014-07-31 2015-04-22 浙江大学 一种基于代码移动的着色器简化方法、装置及图形渲染方法
CN104616327A (zh) * 2014-07-31 2015-05-13 浙江大学 一种基于曲面细分的着色器简化方法、装置及图形渲染方法
CN107154063A (zh) * 2017-04-19 2017-09-12 腾讯科技（深圳）有限公司 图像展示区域的形状设置方法及装置
CN107833268A (zh) * 2012-11-02 2018-03-23 想象技术有限公司 用于图形渲染的几何图形处理方法和图形渲染系统
CN110917617A (zh) * 2019-11-15 2020-03-27 深圳市瑞立视多媒体科技有限公司 水波纹图像的生成方法、装置、设备及存储介质
US10628990B2 (en) * 2018-08-29 2020-04-21 Intel Corporation Real-time system and method for rendering stereoscopic panoramic images

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493952A (zh) * 2009-02-26 2009-07-29 北京像素软件科技股份有限公司 一种3d地形渲染方法和渲染装置
CN104065683B (zh) * 2013-03-21 2018-07-03 联想(北京)有限公司 远程控制方法和本地设备
US10074213B2 (en) * 2013-09-12 2018-09-11 Intel Corporation Adaptive multi-frequency shading
US9508121B2 (en) * 2015-01-14 2016-11-29 Lucidlogix Technologies Ltd. Method and apparatus for controlling spatial resolution in a computer system by rendering virtual pixel into physical pixel

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833268A (zh) * 2012-11-02 2018-03-23 想象技术有限公司 用于图形渲染的几何图形处理方法和图形渲染系统
CN104167015A (zh) * 2014-07-31 2014-11-26 浙江大学 一种基于表面信号拟合的着色器简化方法、装置及图形渲染方法
CN104537706A (zh) * 2014-07-31 2015-04-22 浙江大学 一种基于代码移动的着色器简化方法、装置及图形渲染方法
CN104616327A (zh) * 2014-07-31 2015-05-13 浙江大学 一种基于曲面细分的着色器简化方法、装置及图形渲染方法
CN107154063A (zh) * 2017-04-19 2017-09-12 腾讯科技（深圳）有限公司 图像展示区域的形状设置方法及装置
US10628990B2 (en) * 2018-08-29 2020-04-21 Intel Corporation Real-time system and method for rendering stereoscopic panoramic images
CN110917617A (zh) * 2019-11-15 2020-03-27 深圳市瑞立视多媒体科技有限公司 水波纹图像的生成方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Approximate Program Smoothing Using Mean-Variance Statistics, with Application to Procedural Shader Bandlimiting;YUTING YANG,etc.;《arXiv》;20170605;论文第2-5页 *
Automating Image Morphing Using Structural Similarity on a Halfway Domain;JING LIAO,etc.;《ACM Transactions on Graphics》;20140831;第33卷(第5期);全文 *
三维图形纹理函数在二维图像处理中的应用;张天昊等;《科技视界》;20151231;全文 *

Also Published As

Publication number Publication date
CN112258412A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN106204467B (zh) 一种基于级联残差神经网络的图像去噪方法
JP5984138B2 (ja) 類縁性ネット上のスパース再構成による画像フィルタリング
US20150379769A1 (en) Method and apparatus for mesh simplification
CN112347945B (zh) 一种基于深度学习的含噪遥感图像增强方法及系统
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
CN109697748B (zh) 模型压缩处理方法、模型贴图处理方法装置、存储介质
CN110097521B (zh) 一种面向反光金属视觉检测的卷积神经网络图像复原方法
CN110807428B (zh) 煤类样品的识别方法、装置、服务器及存储介质
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
CN114742911A (zh) 图像压缩感知重建方法、系统、设备及介质
CN110175963B (zh) 一种适用于水下图像及大气暗图像的两用图像增强方法及装置
CN112258412B (zh) 基于定义域和值域的卷积近似的着色器自动滤波方法、装置和系统
CN113077451B (zh) 基于无监督学习的单张图片本征图像分解方法、系统及介质
Karami et al. Image denoising using generalised Cauchy filter
Tang et al. Feature preserving 3d mesh denoising with a dense local graph neural network
DE102021004572A1 (de) Entrauschen von Bildern, die mittels Monte-Carlo-Wiedergaben wiedergegeben werden
CN116958131B (zh) 一种图像处理方法、装置、设备及存储介质
CN115829870A (zh) 一种基于可变尺度滤波的图像去噪方法
CN112258411B (zh) 基于定义域和值域的函数近似的着色器自动滤波方法、装置和系统
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN113436292B (zh) 图像处理方法、图像处理模型的训练方法、装置及设备
CN112383366B (zh) 一种数字荧光频谱的频谱监测方法、装置及存储介质
CN109856673B (zh) 一种基于优势频率迭代加权的高分辨Radon变换数据分离技术
Hou et al. Fast Monte Carlo rendering via multi-resolution sampling
CN112053300B (zh) 一种光照不均匀图像的矫正方法、装置和设备

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