一种参与介质的路径引导方法技术

本发明专利技术公开了一种一种参与介质的路径引导方法，使用了S‑D树来表示体积介质中的入射辐射度分布，并提出了新的乘积重要性采样方法，将入射辐射度分布和相位函数仅通过若干样本组合起来。本发明专利技术与传统的路径追踪相比能够更快收敛。同时，通过对入射辐射度分布和相位函数分布的分析，提出了选择性重要性采样策略来避免不必要的乘机重要性采样，进一步提高收敛速度。本发明专利技术适用于任何介质，包括多重散射为主的低频效应和单散射为主的高频效应。

【技术实现步骤摘要】
一种参与介质的路径引导方法
本专利技术属于计算机图形渲染领域，更具体地，涉及一种参与介质的路径引导方法。
技术介绍
渲染带有半透明介质的场景一直是一项开销非常大的工作。为了渲染高反射率的介质，例如牛奶或者皮肤，需要在介质中模拟海量的散射事件。近年以来，有许多方法被提出以解决上述介质的渲染问题。对于路径追踪，早期的方法是使用MonteCarlo积分来计算光照；在近期工作中，Georgiev等人(Jointimportancesamplingoflow-ordervolumetricscattering.ACMTransactionsonGraphics(ProceedingsofSIGGRAPHAsia2013),32(6),nov2013.2)在重要性采样中使用几何因子和散射因子的乘积来帮助渲染参与介质。Chandrasekhar(Radiativetransfer.Doverpublications,NewYork,1960.2,3)提出了介质中的辐射度传输方程，Jensen和Christensen(Efficientsimulationoflighttransportinsceneswithparticipatingmediausingphotonmaps.InSIGGRAPH,pages311–320,1998.2)将介质辐射度传输方程整合进了光子映射方法中。Jarosz等人扩展了这种方法，用光束代替光子，获得了更快的计算速度和更少的噪声。Krivánek等人(Unifyingpoints,beams,andpathsinvolumetriclighttransportsimulation.ACMTrans.Graph.(proc.SIGGRAPH),33(4):1–13,Aug.2014.2,6)使用多重重要性采样，自动的选择使用光束，点还是路径。基于光子映射的方法虽然能更好地模拟介质中的光线传播，不过这是一个统计有偏的方法。一些基于学习信息的路径引导方法被提出用于出射光线方向的重要性采样。Jensen(Importancedrivenpathtracingusingthephotonmap.InRenderingTechniques’95,pages326–335,1995.2)提出放置规则bins以收集从光中跟踪的光子，并从这些bins中重建直方图，以在跟踪相机的路径时引导采样方向；Vorba等人(Onlinelearningofparametricmixturemodelsforlighttransportsimulation.ACMTransactionsonGraphics(ProceedingsofSIGGRAPH2014),33(4),aug2014.1,2,4)通过发射光子来学习场景中采样点的入射辐射分布，并使用经过训练的分布来引导路径跟踪中的方向采样。Herholz等人(Productimportancesamplingforlighttransportpathguiding.InEurographicsSymposiumonRendering,2016.1,2)使用训练的入射光分布和BRDF的乘积来对出射方向进行采样，从而以更高的采样质量。Müller(Neuralimportancesampling.arXivpreprintarXiv:1808.03856,2018.2,3)提出了一种深度神经网络模型来表示样本的概率密度函数，但仍是有偏的，并且采样耗时。一些其他研究人员则在primarysamplespace(PSS)而不是pathspace中研究路径引导。PSS已经在Metropolis光线传播算法中得到广泛使用，Guo等人(Primarysamplespacepathguiding.InW.JakobandT.Hachisuka,editors,EurographicsSymposiumonRendering-EI&I,pages73–82,July2018.2,3)提出了基于PSS的路径引导算法。但是基于PSS的方法不能很好地处理长路径的情况。与使用数据驱动模型引导采样的pathspace和primarysamplespace方法相反，zero-variance方法在采样时根据分析模型随机游走。Krivánek和d’Eon(Azero-variance-basedsamplingschemeformontecarlosubsurfacescattering.InACMSIGGRAPH2014Talks,SIGGRAPH’14,pages66:1–66:1,2014.2,3)在稠密、各向同性的高散射介质中使用了zero-variance随机游走，来引导光线射出表面。Herholz等人(VolumePathGuidingBasedonZero-VarianceRandomWalkTheory.ACMTransactionsonGraphics,Mar.2019.2,3)也使用了zero-variance路径采样理论，并利用vMF模型表示相关的辐射度分布来引导体积介质中的采样策略。如前所述，路径引导和Zero-Variance随机游走当前仅仅只能用到表面渲染或者特殊的参与介质渲染，任意参与介质的渲染速度问题仍然相当缓慢，特别是在小光源和具有折射边界介质的情况下，传统的渲染方法几乎不能收敛。
技术实现思路
本专利技术的目的在于提供一种参与介质的路径引导方法，通过对入射辐射度函数和相位函数选取合适的采样方法，可以加快任意参与介质的渲染速度。实现本专利技术目的的技术解决方案为：一种参与介质的路径引导方法，包括以下步骤：步骤一，使用S-D树结构来表示学习体积介质中的入射辐射度分布，具体包括S树学习阶段和D树学习阶段：1.1S树学习阶段，从光线侧学习体积介质中采样点的入射辐射度分布，建立介质空间数据结构；1.2D树学习阶段，当光子到达S树叶节点时，建立方向域四叉树数据结构；步骤二，依据介质的相位函数各项同性程度选择采样策略对路径采样过程进行引导，包括多重重要性采样和重要性重采样。本专利技术与现有技术相比，其显著优点为：(1)通过构建S-D树，并使用组合采样的方式，高效地选择下一次随机游走方向，显著加快了参与介质中的光线传输模拟的速度，尤其是小光源和具有折射边界的介质。图5显示，对于不同配置的小光源和折射边界介质的场景，最右边的本方法的渲染结果从视觉上和数据(MSE)上都好于中间的传统方法渲染的结果，更加接近最左边的参考数据。对比与现有技术，本方法是可以用在参与介质的路径引导，而现有的通用技术统统都只能用于非参与介质的表面路径引导。本专利技术是统计无偏的，可以正确而不是近似地进行光照计算。(2)本专利技术构建S-D树来表达参与介质的空间入射辐射度分布，具有普适性，现有的参与介质路径引导方法统统都具有限制，仅能处理低散射，高吸收率的参与介质，而本专利技术能够处理任何均匀的介质，从高散射到低散射，从高吸收率到低吸收率，从各向同性介质到高度各向异性介质。图6显示，本文档来自技高网...

【技术保护点】
1.一种参与介质的路径引导方法，其特征在于包括以下步骤：/n步骤一，使用S-D树结构来表示学习体积介质中的入射辐射度分布，具体包括S树学习阶段和D树学习阶段：/n1.1 S树学习阶段，从光线侧学习体积介质中采样点的入射辐射度分布，建立介质空间数据结构；/n1.2 D树学习阶段，当光子到达S树叶节点时，建立方向域四叉树数据结构；/n步骤二，依据介质的相位函数各项同性程度选择采样策略对路径采样过程进行引导，包括多重重要性采样和重要性重采样。/n

【技术特征摘要】
1.一种参与介质的路径引导方法，其特征在于包括以下步骤：
步骤一，使用S-D树结构来表示学习体积介质中的入射辐射度分布，具体包括S树学习阶段和D树学习阶段：
1.1S树学习阶段，从光线侧学习体积介质中采样点的入射辐射度分布，建立介质空间数据结构；
1.2D树学习阶段，当光子到达S树叶节点时，建立方向域四叉树数据结构；
步骤二，依据介质的相位函数各项同性程度选择采样策略对路径采样过程进行引导，包括多重重要性采样和重要性重采样。


2.根据权利要求1所述的方法，其特征在于步骤1.1所述的S树学习阶段的方法为：对于每种介质，从轴对齐包围盒开始构建空间树，当包含的样本数大于阈值时，将结点分为两个子结点，并迭代选择划分维度；阈值取决于迭代，也就是其中，c是与D树的分辨率相关的常数，设置为12000；k表示迭代次数；S树的结点数由内存预算或确切的结点数N限定。


3.根据权利要求2所述的方法，其特征在于S树学习阶段的具体实现过程为：
1.1.1构建S树：对于每种介质，从场景的轴对齐包围盒AABB构建S树的根节点；
1.1.2从灯光发射光子，当光子到达介质时，让光子在场景中随机游走，对于每个散射事件，通过对相位函数进行采样来获得出射方向；
1.1.3每当光子到达一个S树节点，计算当前结点包含的光子样本数，当包含的样本数大于阈值c×√2^k时，将结点分为两个子结点，将当前结点的D树拷贝到每个子节点，并从0开始迭代选择划分维度；阈值取决于迭代次数，其中c是与D树的分辨率相关的常数，设置为12000；k表示迭代次数；
1.1.4S树的结点数由内存预算或确切的结点数N限定，当结点到达最大预算时，构建S树完成；否则，继续随机游走在到达新散射事件的时候执行步骤1.1.1。


4.根据权利要求1所述的方法，其特征在于步骤1.2所述的D树学习阶段的方法为：当到达S树叶结点时，从一个球面域开始构建一个四叉树方向节点，并将其进一步分为四个子结点，当每个四叉方向树结点包含的总能量大于整个四叉方向树中总能量的1％时，将其细分为等能量的四个子节点，当训练完成之后，一个D树即代表一个方向域的入射辐射度分布，而整个S-D树则代表了整个介质空间中的入射辐射度分布。


5.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：王贝贝，邓鸿，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32