基于辐射度回归函数的可交互全局光照渲染改进
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 引言 | 第12页 |
| 1.2 研究背景和意义 | 第12-14页 |
| 1.3 研究目标和研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第2章 光线追踪算法和辐射度回归函数概述 | 第16-37页 |
| 2.1 全局光照渲染描述 | 第16-17页 |
| 2.2 全局光照算法 | 第17-25页 |
| 2.2.1 光线追踪 | 第17-18页 |
| 2.2.2 路径跟踪 | 第18-20页 |
| 2.2.3 大都会光线传输 | 第20-21页 |
| 2.2.4 光子映射 | 第21-23页 |
| 2.2.5 延迟渲染 | 第23-25页 |
| 2.3 光线追踪加速技术 | 第25-30页 |
| 2.3.1 基于屏幕空间的折射模拟 | 第25-27页 |
| 2.3.2 基于屏幕空间的阴影模拟 | 第27-30页 |
| 2.4 辐射度回归函数介绍 | 第30-36页 |
| 2.4.1 人工神经网络方法 | 第30-33页 |
| 2.4.2 辐射度回归函数 | 第33-34页 |
| 2.4.3 回归拟合 | 第34-35页 |
| 2.4.4 RRF中的神经网络应用 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 支持透明物体渲染的可交互辐射度回归函数 | 第37-47页 |
| 3.1 辐射度回归函数缺陷分析 | 第37-39页 |
| 3.2 使用次级碰撞点代替首次碰撞点 | 第39-41页 |
| 3.3 空间划分选择 | 第41-42页 |
| 3.3.1 属性划分 | 第41页 |
| 3.3.2 空间划分 | 第41-42页 |
| 3.3.3 输入向量参数选择 | 第42页 |
| 3.4 使用深度学习来代替神经网络 | 第42-44页 |
| 3.5 GPU框架计算 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 TSRRF方法实现 | 第47-56页 |
| 4.1 算法流程设计 | 第47-48页 |
| 4.2 实时次级碰撞点获取 | 第48-52页 |
| 4.2.1 BVH树 | 第48-51页 |
| 4.2.2 GPGPU | 第51-52页 |
| 4.3 深度学习Auto Encoder | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 渲染结果和分析 | 第56-70页 |
| 5.1 Cornell Box场景 | 第56-66页 |
| 5.1.1 反射属性效果 | 第56-60页 |
| 5.1.2 折射属性结果 | 第60-62页 |
| 5.1.3 结果分析 | 第62-66页 |
| 5.2 Sponza场景 | 第66-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 主要研究工作 | 第70-71页 |
| 6.2 未来发展工作 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间已发表或录用的论文 | 第75-77页 |
