日前,Computational Visual Media (CVMJ) 期刊在线发表了一篇综述论文[1],对均匀参与介质的渲染方法进行了系统的归纳,其中方法大类包含了体密度估计法、虚拟光子/光线/光束法、基于点缓存的方法、蒙特卡洛法以及在这些方法基础上的加速策略,除此之外还包含了基于神经网络的参与介质渲染方法,以及关于空间相关参与介质的渲染方法。 研究背景 在现实生活场景中,均匀参与介质随处可见。每天喝的牛奶和果汁、炒菜用的橄榄油、混杂着泥土的河水、还有成分复杂的海水,这些都是均匀参与介质。在真实感渲染的电影动画游戏中,均匀参与介质的出场率也很高。 但是均匀参与介质模拟起来却很困难,因为参与介质中的光线传递过程非常复杂。光线在平均自由程高的参与介质会产生高频的焦散效果,而光线在平均自由程低的参与介质中可能会发生成千上万次散射,以上两种情况的模拟都非常具有挑战性。 近年来,在均匀参与介质渲染研究中,出现了大量的方法以及加速策略,这些方法备受关注。可将它们分为以下几大类:
除此之外,最近基于神经网络的渲染和空间相关参与介质的渲染同样备受关注。 均匀参与介质的渲染方法文章主要探讨了体密度估计法、虚拟光子/光线/光束法、基于点缓存的方法、蒙特卡洛法这四大类均匀参与介质渲染方法及其加速策略,以及基于神经网络的参与介质渲染方法和空间相关参与介质的渲染方法。文章重点对四大类均匀参与介质的渲染方法进行总结和对比: 1)体密度估计法 该类方法的主要思想是将参与介质中的传递过程看作是光子、光线或光束等估计量的分布,接着用指定的核函数对这三种估计量进行密度估计。该类方法分为两个过程:光照过程和渲染过程。在光照过程中,光线进入参与介质发生散射,并且将这些光线(还可以用光子、光束、或者光平面等估计量表示)存储起来;在渲染过程中,用密度估计法计算所存储的估计量对相机光线产生的贡献。该类方法可以模拟任意类型的均匀参与介质。 图1 不同估计量以及相应分布[2] 2)虚拟光子/光线/光束法 该类方法有两个过程:光照过程以及渲染过程。光照过程和体密度估计法一样,虚拟光子/光线/光束法需要缓存散射后的光线等估计量的分布,但是在渲染过程中,不使用密度估计而只进行贡献收集。相较于体密度估计法,该方法在光照过程用到的光子/光线/光束的数量大大减小。然而,该类方法无法模拟单次散射。 该类方法也有两个过程,光照过程和渲染过程。与前面两类方法不同的是,缓存的点云包含了几何信息用来近似几何结构,该几何结构用于渲染过程中的可见性计算。在渲染阶段,针对不同类型的散射(单次、二次和多次),采用不同的计算策略:单次散射采用包围盒法,二次散射采用了树切法,多次散射采用了分布预计算法和树切法。该类方法可以模拟任意类型的均匀参与介质。 图3 点缓存方法中PBGI框架示意图[4] 4)蒙特卡洛法 基于蒙特卡洛的积分求解方法可以用来计算光线在参与介质中的传递,但是传统的路径跟踪或者双向路径跟踪在模拟高度散射或者高度各向异性的参与介质时需要大量时间才能收敛,因此适合的重要性采样方法至关重要。文章介绍了下一事件估计的方法、零方差随机游走的方法、路径跟踪等方法。该类方法可以模拟任意类型的均匀参与介质。 方法对比 文章对以上四类方法中的典型方法在适用的散射类型、是否无偏、存储代价和渲染速度(效率)这四个方面进行了对比: 问题与挑战尽管已经有了许多高效的均匀参与介质渲染方法,但是在参与介质渲染方向还存在着许多具有挑战性也极其重要的问题,文章将其总结为以下三个未来的研究方向:
|
|
来自: taotao_2016 > 《物理》