项目名称: 面向运动模糊的场景组织方法的研究

项目编号: No.61300084

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 杨鑫

作者单位: 大连理工大学

项目金额: 23万元

中文摘要: 运动模糊是一种在照相机摄影过程中产生的影像效果,能给场景绘制带来极大的视觉真实性。然而,由于额外的采样计算和面片使用,实现准确的运动模糊效果增加了场景组织的复杂度,这些额外的复杂性可能引起低效甚至错误的场景层次结构,使运动模糊效果的快速绘制变得更加困难。针对上述问题,本项目主要研究如何根据运动模糊特征对场景组织的影响,从对象划分、空间划分、细节划分三个角度设计合理的加速结构来提高场景组织的有效性,降低运动模糊效果的计算复杂度,最终提升绘制的性能。首先,研究面向运动模糊效果绘制的运动行为分类方法,并基于时空维度信息的转化关系,有效处理不规则运动和破坏层次结构的面片;其次,提出基于运动模糊强度的多层次细节表示方法;此外,能够使访存不友好的遍历操作尽可能转化为计算密集型的相交操作,以优化存储访问。本项目预期在图形学理论的原始创新方面提供一种有价值的探索,并最终推动虚拟现实、电影游戏等产业的发展。

中文关键词: 运动模糊;场景组织;采样技术;加速结构;图形绘制

英文摘要: Motion blur occurs in photography whenever the camera or objects move while the shutter is open, and brings scene rendering a realistic visual effect. However, implementing accurate motion blur effects significantly increases scene organizing complexity due to either extra geometry, sampling, or both, likely causes inefficient even wrong scene hierarchy. This additional complexity makes real-time motion-blur computation difficult. In this proposal, we investigate the interrelation between acceleration structure and motion blur from object partition,space partition and detail subdivision. We intend to design efficient acceleration structures to improve the efficiency of scene organizing, reduce computation complexity, finally increase rendering performance. First, we present movement behavior classification for motion blur, intend to solve irregular primitives and some primitives worsening scene hierarchy using information transformation between time and space dimension.Secondly, we propose a novel blur-dependent level-of-detail scheme. Besides, we devise to improve memory access, by transferring traversal operation with incoherent memory access to intersection operation with intensive computation. We expect this research can provide a valuable exploration for graphics theory innovation, and contribute the develo

英文关键词: Motion Blur;Scene Organizing;Sampling Technology;Acceleration Structure;Rendering

成为VIP会员查看完整内容
0

相关内容

【2021新书】面向对象的Python编程,418页pdf
专知会员服务
70+阅读 · 2021年12月15日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
21+阅读 · 2021年10月9日
专知会员服务
28+阅读 · 2021年9月13日
专知会员服务
46+阅读 · 2021年8月28日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
基于深度学习的医学图像半监督分割
CVer
14+阅读 · 2020年9月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
CCCF专题:史元春 | 自然人机交互
中国计算机学会
24+阅读 · 2018年5月18日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
小贴士
相关VIP内容
【2021新书】面向对象的Python编程,418页pdf
专知会员服务
70+阅读 · 2021年12月15日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
21+阅读 · 2021年10月9日
专知会员服务
28+阅读 · 2021年9月13日
专知会员服务
46+阅读 · 2021年8月28日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员