一种基于深度学习的高效全局光照明绘制方法技术

本发明专利技术公开一种基于深度学习的高效全局光照明绘制方法，其步骤包括：1)选取或生成若干组图像，每一组包括k张使用不同光子收集半径来进行光照明计算并渲染出的粗糙彩色效果图；对于每一组图像，将该组k张彩色效果图在三个通道上叠放作为神经网络的输入；2)利用该神经网络对输入数据进行训练，得到神经网络模型及其各项参数；3)根据当前待渲染的视点参数和三维场景，执行光子映射方法，生成k张彩色粗糙效果图并将该k张彩色图在三个通道上叠放作为输入数据；然后利用步骤2)训练得到的神经网络模型及其各项参数对当前输入数据进行处理，得到最终合成的渲染图像。本发明专利技术只需要用很少的光照明粗糙图，就能合成出高质量的真实感渲染效果图。

【技术实现步骤摘要】
一种基于深度学习的高效全局光照明绘制方法
本专利技术属于计算机图形学领域，涉及一种基于深度学习的高效全局光照明绘制方法。
技术介绍
光照明计算是计算机图形学的关键问题，随着游戏，电影，动画和虚拟现实等领域越来越追求其场景渲染的高真实感，同时对算法的速度要求越来越高。但是基于全局光照明的绘制算法收敛较慢，很多时候满足不了实时渲染的要求。深度学习作为机器学习的先进技术，结合高并行度硬件的发展，正在人工智能的各个领域大方异彩。深度学习理论基于大数据，比起传统的人工规则方法，具有更高的鲁棒性，能处理各种在算法设计前意想不到的情况。其中，在图像感知、处理的领域，卷积神经网络正逐步取代许多传统的方法。这样的背景下，将深度学习用于三维场景的光照明计算并生成高逼真度的图形渲染效果是一个具有合理性的创新思路。利用高精度的算法生成高质量的图片作为训练数据来离线训练神经网络，在实际使用时加载训练好的网络模型，通过网络的高效性以及最大幅度的网络精准性来合成最终的高质量渲染结果。但该方法依然可能存在如下问题：高精度、高鲁棒性的神经网络通常需要更深的结构、更多的参数及更高的计算量，那么在保证时间效率的前提下，如本文档来自技高网...

【技术保护点】
1.一种基于深度学习的高效全局光照明绘制方法，其步骤包括：1)选取或生成若干组图像作为神经网络的输入数据集，每一组包括k张使用不同光子收集半径来进行光照明计算并渲染出的彩色效果图；对于每一组图像，将该组的k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为神经网络的输入；其中，h代表彩色效果图的高度，w代表彩色效果图的宽度；2)利用该神经网络对输入的3×k×h×w的三维矩阵进行训练，得到神经网络模型及其各项参数；3)根据当前待渲染的视点参数和三维场景，执行光子映射方法，生成k张彩色效果图并将该k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为输入数据；然后利用步骤2)...

【技术特征摘要】
1.一种基于深度学习的高效全局光照明绘制方法，其步骤包括：1)选取或生成若干组图像作为神经网络的输入数据集，每一组包括k张使用不同光子收集半径来进行光照明计算并渲染出的彩色效果图；对于每一组图像，将该组的k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为神经网络的输入；其中，h代表彩色效果图的高度，w代表彩色效果图的宽度；2)利用该神经网络对输入的3×k×h×w的三维矩阵进行训练，得到神经网络模型及其各项参数；3)根据当前待渲染的视点参数和三维场景，执行光子映射方法，生成k张彩色效果图并将该k张彩色效果图在三个通道上叠放，形成3×k×h×w的三维矩阵作为输入数据；然后利用步骤2)训练得到的神经网络模型及其各项参数对当前输入数据进行处理，得到最终合成的渲染图像。2.如权利要求1所述的方法，其特征在于，该k张彩色效果图为绘制内容相同但渲染质量不同的k张图像。3.如权利要求1或2所述的方法，其特征在于，所述神经网络包括第一卷积层、第一阶段stage1、第二阶段stage2、第三阶段stage3、第一反卷积层、第二反卷积层和第三反卷积层，利用该神经网络对输入的3×k×h×w的三维矩阵进行训练的方法为：31)利用第一卷积层对输入的训练数据进行卷积处理，抽取训练数据的低层特征；32)利用第一阶段stage1、第二阶段stage2、第三阶段stage3依次对所述训练数据进行特征提取和压缩；33)对第二阶段stage2压缩后的数据层进行卷积和批次归一化、对第三阶段stage3压缩后的数据层进行反卷积和批次归一化，然后对两处理结果进行特征连接；34)对步骤3...

【专利技术属性】
技术研发人员：李胜，高煜，林泽辉，汪国平，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京,11