Path tracing: Lisälukemistoa

Reititysvälitys: Valon kuljetuksen stokastinen ratkaisu ja fysiikanmukaisen renderöinnin perusta

Johdanto ja käsitteellinen perusta

Polysaaten seuranta (path tracing) on yksi fyysisesti oikeiden kuvien tuotannon perusalmiittomista, ja se simuloi valon kaikkia vuorovaikutuksia ympäristössä—suoran ja epäsuoran valaistuksen mukaan lukien—satunnaislukuohjelmallisilla menetelmillä. 1980-luvun lopulla esittelemä ja (Işık Denklemi) -nimellä tunnettu matemaattinen viitekehys katsotaan realistisen kuvien tuotannon mullistavaksi käänteekohdaksi. Polysaaten seuranta on tämän yhtälön luonnollisin ratkaisu Monte Carlon integraalimenetelmillä, jolloin valon ja aineen vuorovaikutukselle tarjotaan fysiikan perusteisiin ja optiikan lakeihin perustuva simulointikehys (Kajiya 1986).

Sezgisel izleme temelli render-yaklaşımların tarihsel gelişiminde, ‘ın ışık izleme tekniği ile başlatılan ve yansıma/refraksiyon gibi etkileri hiyerşik olarak derinleştiren yaklaşım, path tracing’in felsefi temellerini oluşturur. Kajiya’n katkı ise bu fikri genel bir ışık transport denklemine dönüştürerek, tüm yüzey etkileşimlerini tek bir integral altında toplatmıştır (Pharr et al. 2016).

Renderointiyhtälö: Valon yhtälö ja sen merkitys

Path tracingin matemaattinen sydän ilmaistaan seuraavalla :

$$L_o(mathbf{p}, omega_o) = L_e(mathbf{p}, omega_o) + int_{Omega} L_i(mathbf{p}, omega_i), f_r(mathbf{p}, omega_i, omega_o) (omega_i cdot mathbf{n}), domega_i$$

Tässä yhtälössä $L_o$ edustaa lähtöradiansia lähtösuunnassa, $L_e$ on pinnan oma säteily, ja $f_r$ on niin kutsuttu (BRDF), eli funktio, joka kuvaa, kuinka materiaali siruttaa valoa. Integraaliteri lasketaan pinnalle kertyvän saapuvan radiansin ($L_i$) yli koko puolipallosta. Koska tämä integraali on niin monimutkainen, ettei sitä voi ratkaista analyyttisesti, path tracing lähestyy sitä -otannalla (Pharr et al. 2016).

Mekanismit: Algoritman Toiminta

Eteen- ja taaksepäin ajon kaistaseuranta

Path tracing voi toimia kahdessa suunnassa. (forward) seuraa kamerasta lähteviä säteitä ja pyrkii tavoittamaan kohteen valonlähteet, mutta tämä lähestymistapa on tehoton, koska valonlähteen löytämisen todennäisyys on matala, erityisesti pienissä tai kaukaisissa valonlähteissä. Vastaavasti (backward) tuottaa satunnaisia suuntia jokaiselle kamerasta lähtevalle pikselille, ja tämä menetelmä on tehokkaampi leveäotsisissä kohteissa. Kummankin lähestymistavan yhdistäminen on mahdollista , jossa sekä kamerasta että valonlähteestä muodostetaan polun osia, mikä tuo merkittäviä parannuksia erityisen vaikeissa tilanteissa, kuten epäsuorassa valaistuksessa.

Näytteenotto: Keskittynyt näytteenotto

Path tracing -tehnologian tehokkuuden avain on . Satunnaisen näytteenoton aiheuttama suuri varianssi pienenee, kun fyysisesti merkityksellisiä suuntia (esimerkiksi valonlähteeseen tai heijastussuuntaan) valitaan useammin. BRDF:n huippukohtien mukaan näytteleminen sekä -menetelmien kaltaisten menetelmien käyttäminen vähentävät melutasoa. Tämä tekniikka pätee myös kamerajärjestelmissä; esimerkiksi ohuen linssin (thin lens) mallin avulla syvyyksentorven laskennassa Cookin kehittämä lähestymistapa tuottaa realistisia -vaikutelmia näyttelemällä valonlähteen pikselin sijaan pienenä levynä (Cook et al. 1984; Cook 1986).

Roulette ja liikenteen ohjaus

Ikirrationaalisten silmukoiden estämiseksi path tracing -menetelmä perustuu valojen -menetelmällä poistamiseen satunnaisissa syvyyksissä. Tämä tekniikka mahdollistaa matalan osuuden reittien tilastollisesti harhaton poistamisen samalla kun polun osien paino säilyy, jotta odotusarvolaskenta ei vääristy (Pharr et al. 2016).

Sektörel ja sovelletut ulottuvuudet: Kohinanvaimennus kamerasyymulaatiosta

Mercek Optiği ve Fiziksel Görüntüleme Etkileri

Poljäljitys käytetään nykyaikaisissa renderöintisysteemeissä myös kameran optiikan fyysisten vaikutusten mallintamiseen. Tämä lähestymistapa, joka alkoi (1995) tutkimustyöllä, mahdollistaa todellisten kameroiden kuvantamisvaikutusten simuloimisen valonpoljityksellä; -malli perustuu juuri tähän perustaan. Myöhemmät tutkimukset ovat ottaneet mukaan aallonpituudesta riippuvia efektejä sekä että hehkumista: Steinert et al. (2011) paransivat simulation yksityiskohtia, kun taas Joo et al. (2016) mallinsivat kärjistymisen poljien pysähdyksissä asfeerisillä laseilla. ja hänen kollegansa lähestyivät linssisysteemejä polynomeilla vähentääkseen poljityksen kustannuksia; Hanika ja Dachsbacher yhdistivät tämän lähestymistavan suuntapolkupoljitykseen (Hullin et al. 2012; Hanika & Dachsbacher 2014).

Liikunnan Sumennus Ja Syvyyden Alue

Liike-sumennus

Monte Carlo -melu ja melunpoistomenetelmät

Path tracing -men temel sınırı ; bu da yeterli örnekleme sayısına ulaşana kadar görüntünün granüler görünmesine neden olur. Bu sorunu çözmek için örnek değerlerinin istatiksel özelliklerine dayalı çok sayıda yöntem geliştirilmiştir: Lee ve Redner (1990), düşük ve yüksek uçtaki örnekleri eleyen filtresini önerirken, Jensen ve Christensen (1995) frekans alanına göre aydınlatma katkılarının ayrı işlenmesinin gürüntüyü azaltabileceğini göstermiştir. Bu temeller üzerinde inşa edilen modern denoise yöntemleri ise görüntüyü oluşturan ışık transport denklemlerini hesaba katan filtreler üretmektedir (Zwicker et al. 2015).

Akateeminen tuloksia ja arviointia

Polkujälitys on fysikaalisesti oikean kuvan tuottamisessa vielä tänäkin päivänä vakiintunut perusmenetelmä, koska se tarjoaa stokastisen ratkaisun valon siirtymistä mallintavalle -yhtälölle. Monte Carlon integraaliapproksimaation ansiosta polkujälitys voi approksimoida moniulotteisia integraaleja, joida analyyttinen ratkaisu on mahdoton, ja se mahdollistaa luonnollisesti monimutkaisten kameravaikutusten, kuten syvyyden alueen, liikunsumennuksen ja linssien optiikan, simuloinnin. Korkean varianssin vuoksi näytteenoton tehokkuutta optimoidaan jatkuvasti tärkeyden näytteenoton ja melunpoistotekniikoilla; suuntapohjainen polkujälitys puolestaan tekee tästä optimoinnista merkittävän askeelin yhdistämällä eteen- ja taaksepäin suuntautuneet lähestymistavat. Akateemisessa kirjallisuudessa polkujälityksellä on keskeinen asema sekä renderöintialgoritmien että valon mallintamisteorian kokeellisen validoinnin kannalta (Kajiya 1986; Pharr et al. 2016).

Akademik Değerlendirme ve Kaynakça

Avainkäsitteet:

Lähteet

• Cook, R.L., Porter, T., Duff, I. (1984). . ACM SIGGRAPH Computer Graphics 18(3):205–212; Cook, R.L. (1986). . ACM SIGGRAPH Computer Graphics 20(4):127–134.
• Gribel, C., Akenine-Möller, M. (2017). . Journal of Computer Graphics Techniques (JCGT) 6(1).
• Hanika, J., Dachsbacher, C. (2014). . ACM Transactions on Graphics 33(4):1–10.
• Kajiya, J.T. (1986). . Tietokonegrafiikan ja interaktiivisten menetelmien 13. vuosikokous (SIGGRAPH ’86), s. 143–150.
• Kolb, C., Mitchell, D., Hanrahan, P. (1995). . Tietokonetekniikan ja interaktiivisen grafiikan 22. vuosikonferenssin (SIGGRAPH ’95) julkaisut, s. 43–46.
• Jensen, H.W., Christensen, N.H. (1995). . SIGGRAPH ’95 -konferenssin julkaisut, s. 311–320.
• Lee, S.C., Redner, R.A. (1990). . Rendering Techniques, Springer, s. 68–79.
• Pharr, M., Jakob, W., Humphreys, G. (2016). , 3. p. Morgan Kaufmann.
• Steinert, C.J., et al. (2011). . High Performance Graphics -konferenssin julkaisut, s. 97–105.
• Joo, M., et al. (2016). . Journal of Computer Graphics Techniques; Hullin, M.B., et al. (2012). . High Performance Graphics.
• Zwicker, M., et al. (2015). [Raportti].

Muistutus:

Lähdeviite: Tämä tutkimus on koostettu ja päivitetty akateemisen teknisen läpikäytön muodossa arkistoitujen dokumenttien perusteella osoitteesta https://pbr-book.org/4ed/Cameras_and_Film/Further_Reading.