GRAFIKA KOMPUTER 2

REVIEW JURNAL

Nama : Barra Waskito
NPM : 51417159
Kelas : 3IA03
MatKul : Grafika Komputer 2
Judul : Progressive Least-Squares Encoding for Linear Bases
Link : http://jcgt.org/published/0009/01/02/

Abstraksi

Fungsi basis linear dapat digunakan untuk menyandikan fungsi bola dalam format terkompresi, di mana informasi seperti bidang cahaya dapat diwakili oleh seperangkat fungsi dasar tetap dan koefisien basis yang sesuai. Dalam grafik komputer, fungsi untuk menyandikan seringkali dihasilkan melalui integrasi Monte-Carlo, dan, dalam konteks seperti lightmap atau irradiance volume baking, berguna untuk menampilkan hasil progresif.

Makalah ini menyajikan metode yang efisien, mudah diimplementasikan, kompatibel dengan GPU untuk secara progresif melakukan pengkodean mendekati kuadrat-terkecil ke dalam basis linear sewenang-wenang (Listing 1). Metode ini juga mendukung perkiraan pengkodean nonnegatif, memastikan bahwa fungsi yang direkonstruksi bernilai positif dan meningkatkan tampilan dalam berbagai skenario.

Pengantar

Basis linear telah lama populer dalam grafik komputer sebagai sarana untuk menyimpan informasi cahaya yang disandikan dalam format yang ringkas. Fungsi-fungsi dasar yang paling umum digunakan berasal dari farmakologis farmak, fungsi keluarga untuk fungsi dasar normal yang dapat secara efisien dikodekan, diterjemahkan, dan berbelit-belit dalam waktu nyata. Namun, harmonik bola jauh dari satu-satunya fungsi fungsi dasar bola yang bermanfaat; Ambient Cube [Mitchelletal.2006], AmbientDice [IwanickiandSloan2017], AmbientHighlight Direction [Sloan dan Silvennoinen 2018], dan bola Gaussian [Wang et al. 2009] fungsi dasar semuanya terlihat digunakan dalam aplikasi waktu nyata. Format ini dapat memberikan keuntungan dalam rekonstruksi waktu nyata; misalnya, mereka dapat mengurangi kebutuhan bandwidth atau jejak memori dibandingkan dengan harmonik bola orde tinggi, dan beberapa dapat digunakan untuk memperkirakan radiasi cahaya specular secara lebih akurat. Namun, format ini tidak biasa dan karenanya mahal untuk disandikan; pengodean dengan cara kuadrat-terkecil untuk meminimalkan kesalahan dalam aproksimasi membutuhkan perkalian dengan matriks N × N, di mana N adalah jumlah fungsi basis, baik sebagai langkah terakhir dalam pengkodean atau per-sampel.

Metode

Secara lebih formal, metode ini adalah tas tugas khusus dari Jacac Geier-Seideliteration untuk ketika ruang fungsi secara iteratif dijadikan sampel. Untuk menurunkan metode, kita mulai dengan Persamaan (1) dan pecahkan untuk satu bi, dengan asumsi bahwa semua bj diketahui dari iterasi sebelumnya

Hasil

Kemanjuran teknik ini tergantung pada distribusi sampel yang masuk. Jika titik sampel didistribusikan di seluruh domain sampling dengan cara yang tidak berkorelasi atau berkorelasi negatif (white noise atau blue noise) maka hasilnya akan menyatu dengan kesalahan mean-squared minimum; namun, jika titik sampel berkorelasi tinggi, maka akan sangat buruk. Untungnya, jika pola pengelompokan secara alami berkorelasi negatif dalam sebagian besar konteks di mana kita mengumpulkan contoh-contoh cahaya secara progresif misalnya, pelacakan sampel sering digunakan untuk memastikan bahwa sampel berturut-turut tidak terlalu mewakili arah tertentu.

Jika bagian ini dimasukkan ke dalam pembagian yang tidak sama secara seragam di atas tempat (seperti kasus dalam pembuatan peta cahaya) tetapi domain integrasi berada di atas bola, sampel tambahan harus ditambahkan setelah setiap sampel yang benar dengan arah yang berlawanan dengan arah belahan bumi atas dan nilai cahaya dari nol. untuk memperkirakan beberapa kuantitas lainnya, seperti radiasi dari fungsi yang disandikan; integrasi lebih dari yang diperlukan untuk memotong klip dari BWD dengan sampel belahan bumi di samping belahan BRDF dan masing-masing domain fungsi dasar.

Kesimpulan

Metode ini telah diterapkan dan diuji di berbagai perangkat lunak yang berbeda pada CPU dan GPU. Prototipe awal dilakukan di dalam alat sumber terbuka Probulator [O'Donnell 2016], dan kemudian diuji dalam alat sumber terbuka The Baking Lab [Pettineo 2018]; implementasi GPU diuji dalam mesin sumber tertutup. Untuk implementasi GPU, sampel ditelusuri dari lokasi dalam peta cahaya dan diakumulasikan ke dalam target render RGBA flat-rate 32-bit fungsi per basis, dengan integral bulat yang saya simpan di saluran alpha. Target render flat-channel 32-bit single-channel juga digunakan untuk menyimpan total berat sampel yang terakumulasi dan hasilnya disebarkan di beberapa texel menggunakan bobot yang disaring. Mobil harus disimpan dengan memperhatikan penyimpanan anak-anak dengan visibilitas yang tinggi b. Khususnya, titik pengaplikasian 16-bit tidak cukup tepat untuk menangkap penyesuaian menit pada bobot dan akan menyebabkan bias terhadap nilai sampel yang besar. Dalam implementasi kami, semua hasil antara disimpan dalam titik pengapungan 32-bit; tes pendahuluan dilakukan dengan titik pengapungan 64-bit menunjukkan peningkatan minimal dalam akurasi lebih dari 32-bit.