一种使用线性预测的自适应渲染方法技术

本发明专利技术公开了一种使用线性预测的自适应渲染方法，包括：步骤1，定义预测窗口，根据预测窗口的不同大小，使用递归的最小二乘迭代过程构建多个线性模型；步骤2，使用递归地误差分析计算线性模型预测引起的误差，选择预测窗口的最佳预测尺寸；步骤3，采用自适应的采样方法，根据计算的预测误差，在高误差区域分配更多的光线样本，完成渲染。本发明专利技术提供的使用线性预测的自适应渲染方法，利用单独的线性模型同时重构了多个像素点，使得代价高昂的误差计算只需在少数量的像素点处使用，从而大幅减少了计算开销。

【技术实现步骤摘要】

本专利技术涉及计算机图像处理
，具体涉及一种使用线性预测的自适应渲染方法。
技术介绍
蒙特卡洛光线追踪因人工合成现实渲染效果而获得了广泛的关注，但是一般需要大量的光线样本(例如，每个像素超过一万个样本)直到生成一个融合的亦或视觉上令人满意的图像。蒙特卡洛光线追踪的缓慢融合过程直接导致了过多的渲染时间(以小时计)，这一般是与生成光线样本的数量成比例的。当一个相对小数量的光线样本(小于一千)在像素点处被分配时，图像一般会被MC噪声污染，即出现偏差。自适应渲染，即非统一地调整采样密度并且使用局部平滑，这种渲染方式近年来已经被积极研究，这种方法通过大幅减少所需光线样本的数量极大地改善了MC光线追踪的效率。自适应渲染可以被分成两类，多维度自适应渲染和图像空间自适应渲染，这与MC样本维度有关。多维度样本方法分配了样本并且在一个高维度空间中重构了他们，此处每一个坐标对应一个MC整体中的随机参数。这些方法可以生成高质量的图像，甚至使用小数量的样本(例如8个样本每像素)也可以，但是处理独立样本需要很高的计算和存储开销。另一方面，图像空间算法利用了每一个像素的信息，这在渲染过程中是可以轻松获得的，因此这些技术可以被轻易地应用到现有的渲染框架中。当下流行的方法已经能够改善MC光线追踪的性能，他们主要面向应用，然而通常仅限于离线的渲染框架，因为计算开销相当大。例如，由于高昂的重构代价，现有方法的重构时间一般都超过3秒。特别是最近提出的局部线性近似方法，当一个相关图像与给出特征有着强线性关联时，其表现出十分优异的重构性能，但是它也有着高昂的重构时间，因为它使用了一个复杂的优化过程(最小二乘匹配)。针对多维度自适应渲染，早期Kajiya提出了一个高级的思路去按等级分配高维度的样本，并且使用基于存储在树形结构中的样本来重构结果。在同一研究方面，Hachisuka提炼了这一思路，并且证明该方法可以明显减少生成不同渲染效果所需的样本数量。基于各向异性的频率分析通常注重模拟具体的渲染效果，例如景深，运动模糊，软性阴影，以及环境光包围。Lehtinen提出了一个新的重构方法以重用多个像素中的样本，目的在于减少由分布特征引入的噪声，Lehtinen扩展了这一思路来支持非直接照明。这些方法证明高质量重构甚至以小数量样本渲染是可以实现的。不幸的是，这些技术都只支持有限的渲染效果。在图像空间自适应渲染中，图像空间方法通常将每一个像素的信息(例如，颜色和偏差)作为输入，然后将众所周知的图像过滤器作为波阈值，如高斯滤波器充分利用了具体渲染信息(偏差)。最近，为了支持更好的过滤方法，更复杂的误差估算已经在研究当中。Kalantari基于绝对中位差提出了一个鲁棒的误差标准。Rousselle将输入样本分入两个缓冲(双缓冲)中，然后估算由非局部平均引入的误差，Delbracio通过使用由样本构成的直方图提出了一个新的折中方法。Li提出了一个一般无偏差误差标准以改进非线性过滤方法(例如交叉双边过滤器)的重构质量，并且该误差标准还可以被使用来决定如何结合从输入颜色缓冲计算出的过滤权重和在非局部平均过滤器中的特征缓冲。尽管这些方法使用了不同的误差分析和过滤器，为做出高质量过滤的共同行为，使用了带有最佳参数估计的过滤器，例如每个像素点处的带宽。幸运的是，这些方法由于他们图像空间的特性可以被轻易并行化。但是，这些方法对计算量的要求很大，而且需要数秒的计算时间，这是由于他们需要复杂的误差分析，以及对高质量或低误差结果的高昂过滤过程。因此，这些方法没有被应用到最佳的交互渲染系统中，例如Embree和OptiX，这些系统都是使用高性能内核的。计算效率过滤器例如A-tous和导向过滤器，已经被开发用于实时渲染，但是，实时渲染过滤器的用法仅局限于预览，因为它的渲染质量由于缺少鲁棒的误差分析是次优的。最近，Moon使用局部应用特征的线性模型近似处理了图像函数(例如G-buffer)。此外，他们还通过将重构误差结构成偏差和方差研究了局部线性近似的误差估算，并估算不同特征的最佳过滤带宽以最小化误差。他们证明了局部回归框架可以生成用于不同渲染效果的高质量渲染结果。然而这一方法，就像其他高质量自适应技术一样，都需要很高的计算开销，因为其高昂的估算最佳带宽优化需要在每一个像素点处使用。
技术实现思路
本专利技术提供了一种使用线性预测的自适应渲染方法，利用单独的线性模型同时重构了多个像素点，使得代价高昂的误差计算只需在少数量的像素点处使用，从而大幅减少了计算开销。一种使用线性预测的自适应渲染方法，包括：步骤1，定义预测窗口，根据预测窗口的不同大小，使用递归的最小二乘迭代过程构建多个线性模型；步骤2，使用递归地误差分析计算线性模型预测引起的误差，选择预测窗口的最佳预测尺寸；步骤3，采用自适应的采样方法，根据计算的预测误差，在高误差区域分配更多的光线样本，完成渲染。为了设计一个高效且高质量的过滤方法，本专利技术提出了一种新颖的基于重构方法的预测方法，基于少量线性模型估算了真实图像f(x)。在步骤1中，通过预测窗口的不同大小递归地计算了线性模型的系数，依据线性模型中预测多个像素。首先定义一个以像素c为中心的过滤窗口再定义一个预测窗口其中预测窗口使用带有变量k的线性模型预测真实图像f(x)。在预测窗口内，采用以像素c为中心的的一阶泰勒多项式定义线性模型如下：f(xi)≈f(xc)+▿f(xc)T(xi-xc)]]>其中，xi代表像素i处的一个特征向量；xc代表中心像素c处的一个特征向量，f(xc)为真实图像值，为真实图像值的梯度。优化目的是在最佳预测尺寸kopt下计算一个定义为线性模型的最佳模型(一阶泰勒多项式)，该最佳模型使预测误差ξc(kopt)最小。最佳预测尺寸kopt的优化过程表示如下：kopt=argminkξc(k)=argmink1kΣi∈ΩcP(k)(f^(xi)-f(xi))2]]>式中，ξc(k)为预测误差；为预测窗口中每个像素的预测值；f(xi)为每个像素的真实值。由于本专利技术从单个线性模型预测所有在内的像素i，因此，优化目的是最小化定义在预测窗口内每个像素的预测值和真实值f(xi)的平均平方差，为此，本专利技术提出了一个有关k的函数迭代预测过程，以高效地计算线性模型以及计算(为预测的最佳值，kopt为客观存在的既定最佳值)的递归误差分析。为了选择预测窗口本文档来自技高网...

【技术保护点】
一种使用线性预测的自适应渲染方法，其特征在于，包括：步骤1，定义预测窗口，根据预测窗口的不同大小，使用递归的最小二乘迭代过程构建多个线性模型；步骤2，使用递归地误差分析计算线性模型预测引起的误差，选择预测窗口的最佳预测尺寸；步骤3，采用自适应的采样方法，根据计算的预测误差，在高误差区域分配更多的光线样本，完成渲染。

【技术特征摘要】
1.一种使用线性预测的自适应渲染方法，其特征在于，包括：
步骤1，定义预测窗口，根据预测窗口的不同大小，使用递归的最小二乘迭代过程构建
多个线性模型；
步骤2，使用递归地误差分析计算线性模型预测引起的误差，选择预测窗口的最佳预测
尺寸；
步骤3，采用自适应的采样方法，根据计算的预测误差，在高误差区域分配更多的光线
样本，完成渲染。
2.如权利要求1所述的使用线性预测的自适应渲染方法，其特征在于，在预测窗口内，
采用以像素c为中心的的一阶泰勒多项式定义线性模型如下：
其中，xi代表像素i处的一个特征向量；xc代表中心像素c处的一个特征向量，f(xc...

【专利技术属性】
技术研发人员：陆琼，张根源，
申请(专利权)人：浙江传媒学院，
类型：发明
国别省市：浙江;33