一种实时光线追踪的方法、装置、存储介质及电子设备制造方法及图纸

本申请的一些实施例提供了一种实时光线追踪的方法、装置、存储介质及电子设备，该方法包括：将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，获取所述目标位置的立体体贴图数据，其中，所述立体体贴图数据包括：法线立体体贴图、世界坐标立体体贴图以及反照率立体体贴图；对所述立体体贴图数据进行计算，得到实时光照信息。本申请的一些实施例可以降低计算量，达到实时运行的光线追踪。达到实时运行的光线追踪。达到实时运行的光线追踪。

【技术实现步骤摘要】
一种实时光线追踪的方法、装置、存储介质及电子设备


[0001]本申请涉及渲染
，具体而言，涉及一种实时光线追踪的方法、装置、存储介质及电子设备。

技术介绍

[0002]光线追踪是一种渲染技术，它改变了计算机图形学领域的游戏规则。光线追踪可以通过模拟光线与场景中物体的相互作用来生成极其逼真的图像，与其他渲染方法相比，光线追踪提供了3D对象和环境更详细、更准确的视觉表示。
[0003]目前，由于传统的光线追踪算法在渲染过程中需要采用离线的方式进行复杂的计算，耗费时间较长，因此传统的光线追踪方法无法实时生成每一帧渲染图像，无法应用在实时反应的应用场景中，实时性较差。
[0004]因此，如何提供一种高效的实时光线追踪的方法的技术方案成为亟需解决的技术问题。

技术实现思路

[0005]本申请的一些实施例的目的在于提供一种实时光线追踪的方法、装置、存储介质及电子设备，通过本申请的实施例的技术方案可以降低计算复杂度，实现实时的光线追踪。
[0006]第一方面，本申请的一些实施例提供了一种实时光线追踪的方法，包括：将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，获取所述目标位置的立体体贴图数据，其中，所述立体体贴图数据包括：法线立体体贴图、世界坐标立体体贴图以及反照率立体体贴图；对所述立体体贴图数据进行计算，得到实时光照信息。
[0007]本申请的一些实施例通过预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，可以对待渲染场景中目标位置图像进行处理，得到立体体贴图数据，最后进行计算得到实时光照信息。本申请的一些实施例可以在线计算，通过训练好的模型处理可以降低计算复杂度，实现实时的光线追踪。
[0008]在一些实施例，在所述将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型之前，所述方法还包括：创建第一训练集、第二训练集和第三训练集，其中，所述第一训练集中包括：多个场景中每个场景中各个位置图像数据以及所述各个位置图像数据对应的法线立体体贴图数据，所述第二训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的世界坐标立体体贴图数据，所述第三训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的反射率立体体贴图数据；利用所述第一训练集对第一对抗神经网络模型进行训练，获取所述第一目标对抗神经网络模型；利用所述第二训练集对第二对抗神经网络模型进行训练，获取所述第二目标对抗神经网络模型；利用所述第三训练集对第三对抗神经网络模型进行训练，获取所述第三目标对抗神经网络模型。
[0009]本申请的一些实施例通过创建第一训练集、第二训练集和第三训练集分别对对应的模型进行训练得到第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，为后续光线追踪的计算提供模型支持。
[0010]在一些实施例，所述第一对抗神经网络模型为生成器，其中，所述利用所述第一训练集对第一对抗神经网络模型进行训练，获取所述第一目标对抗神经网络模型，包括：将所述各个位置图像数据输入至所述生成器，得到各生成图像；将所述各生成图像与所述各个位置图像数据对应的法线立体体贴图数据进行对比，得到对比值，其中，所述对比值为概率值或损失值；所述概率值与所述各生成图像与所述法线立体体贴图数据的相似程度成正比，所述损失值与所述各生成图像与所述法线立体体贴图数据的相似程度成反比；利用所述对比值优化所述生成器，得到所述第一目标对抗神经网络模型。
[0011]本申请的一些实施例通过对生成器进行训练，然后利用对比值进行优化，最终得到第一目标对抗神经网络模型，以此可以保证训练的模型的准确度。
[0012]在一些实施例，所述利用所述对比值优化所述生成器，得到所述第一目标对抗神经网络模型，包括：利用所述对比值优化所述生成器，得到待调优生成器；通过调节所述待调优生成器的学习率参数、正则化机制优化所述待调优生成器，得到所述第一目标对抗神经网络模型。
[0013]本申请的一些实施例通过对比值优化后的待调优生成器进一步进行调节和优化，得到第一目标对抗神经网络模型，提升模型训练的精准度。
[0014]第二方面，本申请的一些实施例提供了一种实时光线追踪的装置，包括：模型处理模块，用于将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，获取所述目标位置的立体体贴图数据，其中，所述立体体贴图数据包括：法线立体体贴图、世界坐标立体体贴图以及反照率立体体贴图；信息计算模块，用于对所述立体体贴图数据进行计算，得到实时光照信息。
[0015]在一些实施例，在所述模型处理模块之前，所述装置还包括：训练模块；所述训练模块用于：创建第一训练集、第二训练集和第三训练集，其中，所述第一训练集中包括：多个场景中每个场景中各个位置图像数据以及所述各个位置图像数据对应的法线立体体贴图数据，所述第二训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的世界坐标立体体贴图数据，所述第三训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的反射率立体体贴图数据；利用所述第一训练集对第一对抗神经网络模型进行训练，获取所述第一目标对抗神经网络模型；利用所述第二训练集对第二对抗神经网络模型进行训练，获取所述第二目标对抗神经网络模型；利用所述第三训练集对第三对抗神经网络模型进行训练，获取所述第三目标对抗神经网络模型。
[0016]在一些实施例，所述第一对抗神经网络模型为生成器，其中，所述训练模块用于：将所述各个位置图像数据输入至所述生成器，得到各生成图像；将所述各生成图像与所述各个位置图像数据对应的法线立体体贴图数据进行对比，得到对比值，其中，所述对比值为概率值或损失值；所述概率值与所述各生成图像与所述法线立体体贴图数据的相似程度成正比，所述损失值与所述各生成图像与所述法线立体体贴图数据的相似程度成反比；利用所述对比值优化所述生成器，得到所述第一目标对抗神经网络模型。
[0017]在一些实施例，所述训练模块用于：利用所述对比值优化所述生成器，得到待调优生成器；通过调节所述待调优生成器的学习率参数、正则化机制优化所述待调优生成器，得到所述第一目标对抗神经网络模型。
[0018]第三方面，本申请的一些实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现如第一方面任一实施例所述的方法。
[0019]第四方面，本申请的一些实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现如第一方面任一实施例所述的方法。
[0020]第五方面，本申请的一些实施例提供一种计算机程序产品，所述的计算机程序产品包括计算机程序，其中，所述的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时光线追踪的方法，其特征在于，包括：将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型，获取所述目标位置的立体体贴图数据，其中，所述立体体贴图数据包括：法线立体体贴图、世界坐标立体体贴图以及反照率立体体贴图；对所述立体体贴图数据进行计算，得到实时光照信息。2.如权利要求1所述的方法，其特征在于，在所述将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络模型、第二目标对抗神经网络模型和第三目标对抗神经网络模型之前，所述方法还包括：创建第一训练集、第二训练集和第三训练集，其中，所述第一训练集中包括：多个场景中每个场景中各个位置图像数据以及所述各个位置图像数据对应的法线立体体贴图数据，所述第二训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的世界坐标立体体贴图数据，所述第三训练集中包括：所述各个位置图像数据以及所述各个位置图像数据对应的反射率立体体贴图数据；利用所述第一训练集对第一对抗神经网络模型进行训练，获取所述第一目标对抗神经网络模型；利用所述第二训练集对第二对抗神经网络模型进行训练，获取所述第二目标对抗神经网络模型；利用所述第三训练集对第三对抗神经网络模型进行训练，获取所述第三目标对抗神经网络模型。3.如权利要求2所述的方法，其特征在于，所述第一对抗神经网络模型为生成器，其中，所述利用所述第一训练集对第一对抗神经网络模型进行训练，获取所述第一目标对抗神经网络模型，包括：将所述各个位置图像数据输入至所述生成器，得到各生成图像；将所述各生成图像与所述各个位置图像数据对应的法线立体体贴图数据进行对比，得到对比值，其中，所述对比值为概率值或损失值；所述概率值与所述各生成图像与所述法线立体体贴图数据的相似程度成正比，所述损失值与所述各生成图像与所述法线立体体贴图数据的相似程度成反比；利用所述对比值优化所述生成器，得到所述第一目标对抗神经网络模型。4.如权利要求3所述的方法，其特征在于，所述利用所述对比值优化所述生成器，得到所述第一目标对抗神经网络模型，包括：利用所述对比值优化所述生成器，得到待调优生成器；通过调节所述待调优生成器的学习率参数、正则化机制优化所述待调优生成器，得到所述第一目标对抗神经网络模型。5.一种实时光线追踪的装置，其特征在于，包括：模型处理模块，用于将待渲染场景中目标位置图像分别输入至预先训练好的第一目标对抗神经网络...

【专利技术属性】
技术研发人员：方顺，乔磊，冯星，崔铭，孙思远，
申请(专利权)人：北京渲光科技有限公司，
类型：发明
国别省市：