问题:
1、性能
算法的递归性质和大数目的追踪光线,渲染过程可能持续数小时。80-90%的渲染时间花费在计算光线和物体交点上。
2、走样
3、尖锐的阴影
基本的光线追踪算法只能得到尖锐的阴影(因为模拟的是点光源)。
4、局部光照和着色
算法只追踪少数目的光线,只有四种类型的光线被考虑在内,物体之间的漫反射光没有被考虑在内,即算法并不包括全局光照。
解决方案:
1、性能
-
使用更多或者更好的硬件
-
大规模并行计算。每一个光线都相互独立。将图像分割,分配在多核上或者分布式网络上;或者分配在多个线程上。
-
限制交点检测的数目。使用包围盒的层次关系。快速判断光线是否和一组物体相交。物体被分组在封闭的包围盒中。利用空间细分技术:octree,BSP,grid.
-
优化交点检测
-
限制追踪光线的数目,确定最大的递归层数。根据光线对当前像素点贡献值大小来限制递归深度。一个阈值用来确定后续光线由于对像素点贡献太小而不会被追踪。
2、走样
使用超采样(super sampling)、抗锯齿(antialiasing)、jittering
-
追踪额外的主光线并取平均值。即超采样,相对于每一个像素点取一条光线,你可以取特定数目的光线。每一个像素被分为亚像素,对每一个亚像素发射一条光线。当所有的亚像素点都处理完毕,对亚像素点的颜色值取平均值,并将其赋值给该像素点。这种方法大大增加了渲染时间。
-
自适应抗锯齿。在颜色剧烈变化的地方使用追踪的主光线,颜色变化不大的地方使用最少的主光线。
-
随机抗锯齿。随机取样代替常规取样。
3、尖锐的阴影
原因:使用点光源、每个交点仅仅对应一条阴影光线。
-
区域光(area light)。使用一系列点光源来模拟区域光源。对于每一个交点,需要和点光源数目一样多的追踪光线。
-
Monte Carlo光线追踪法。使用随机超采样,光源建模成球形光源,阴影光线指向代表光源的球上面的点。阴影光线颜色的平均值决定该交点最终的颜色值。
4、全局光照
依旧可以使用Monte Carlo法。使用Radiosity算法。
-
大数据
+关注
关注
64文章
8918浏览量
137983 -
光线追踪
+关注
关注
0文章
183浏览量
21567
原文标题:举例几个光线追踪的问题和解决方案
文章出处:【微信号:Imgtec,微信公众号:Imagination Tech】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
基于光线追踪实现反射折射效果

基于光线追踪的渲染算法实现

Python递归的经典案例
AMD光线追踪专家加盟高通,共筑Adreno GPU性能新高度
递归神经网络的实现方法
递归神经网络与循环神经网络一样吗
递归神经网络主要应用于哪种类型数据
递归神经网络是循环神经网络吗
MediaTek携手望尘科技通过移动端光线追踪技术打造沉浸体育游戏体验
MediaTek携手望尘科技共同推进移动端光线追踪技术在手游中的应用落地

评论