交互式蒙特卡洛全局光照超分辨率重建

针对现有全局光照图像的重建效果模糊且耗时较长问题,提出一种基于生成对抗的交互式图像超分辨率重建网络,使用低分辨率的高频噪声推理高分辨率的全局光照图像。将G-buffer中的图形特征作为辅助输入,利用其低噪与相似性,为网络增加图像高频信息;为避免多模态输入下产生冗余特征,利用注意力机制抑制辅助输入中的无效信息;建立混合感知损失函数,促进产生自然的图像风格。实验结果表明,在4 spp的低分辨率噪声输入下,能够在交互式帧率下获得4倍超分辨率全局光照图像,支持阴影、间接漫/镜面反射等光照效果。

基于机器学习的三维场景高度真实感绘制方法综述

目前,电影、动漫、游戏等产业对真实感绘制的需求越来越高,而三维场景高度真实感绘制通常需要耗费大量的计算时间和存储空间来计算全局光照,如何在保证绘制质量的前提下提升绘制速度依然是图形学领域面临的核心和热点问题之一.数据驱动的机器学习方法开辟了一种新的研究思路,近年来研究者将多种高度真实感绘制方法映射为机器学习问题,从而大大降低了计算成本.总结分析了近年来基于机器学习的高度真实感绘制方法的研究进展,具体包括:基于机器学习的全局光照优化计算方法、基于深度学习的物理材质建模方法、基于深度学习的参与性介质优化绘制方法、基于机器学习的蒙特卡洛降噪方法等.详细论述了各种绘制方法与机器学习方法的映射思路,归纳总结了网络模型以及训练数据集的构建方式,并在绘制质量、绘制时间、网络能力等多个方面开展了对比分析.最后,本文提出了机器学习和真实感绘制相结合的可能思路和未来展望.