使用多层深度采样的屏幕空间环境光遮挡

为解决传统的基于水平线的屏幕空间环境光遮挡算法不能准确计算被遮挡物体的环境光遮挡值的问题,提出了一种使用多层深度采样的屏幕空间环境光遮挡算法。该算法使用桶型深度剥离算法获取场景中各层次的深度信息,并使用这些信息为场景中所有物体计算环境光遮挡值,有效解决了算法不能为被遮挡物体计算环境光遮挡值的问题。该算法的计算过程完全在图形处理器中完成。实验结果表明,该算法相对于原算法具有更好的真实感。     

自适应的多层屏幕空间环境光遮蔽

在多层屏幕空间环境光遮蔽算法中,为解决计算开销随深度缓存层数线性增长的问题,提出一种自适应的多层屏幕空间环境光遮蔽算法.首先分析部分采样点在所有深度缓存层上的深度变化幅度,估算出所需的采样层数Dmax;然后在其余采样点上进行多层计算,到Dmax层便停止.实验结果证明,该算法避免了在深度变化平缓区域进行无效的多层计算,以接近单层算法的绘制效率获得了和多层算法几乎完全相同的绘制效果.     

基于梯度图的微结构表面全局光照实时绘制

针对带有微结构表面的几何模型全局光照计算复杂、难以达到实时性要求的问题,提出一种基于高度梯度图分析的全局光照实时绘制方法.首先,定义微结构高度梯度图,并据此构建可见点的局部最高点集合.其次,给出面向微结构表面对象实时绘制的全局光照计算模型,将光照计算近似分解为环境光入射、光源直接光照和一次交互漫反射这3种分量的计算.在环境光计算过程中,提出一种自适应环境光遮挡计算,借助局部最高点集合计算遮挡角.在直接光照中,给出一种微结构阴影的修正方法,搜索入射光方向的最近局部最高点剖面;通过比较剖面内光线投影与局部最高点的遮挡角,近似确定由微结构造成的阴影区域.最后,根据可见点的局部最高点集合确定一次交互漫反射的采样范围,进行渗色处理.整个全局光照计算方法在图像空间完成,较好地利用了延迟着色的思想和GPU并行计算的特点.算法可以在使用低精度几何模型时表现出带有微结构表面的高精度模型的全局光照效果,且适用于动态场景和可变形物体的全局光照计算.     

改进的基于屏幕空间环境遮挡

基于屏幕空间环境遮挡以牺牲计算精度与部分效果作为代价,换取场景的实时渲染.文中针对基于屏幕空间环境遮挡技术在采样方式、遮挡因子计算和平滑滤波3个方面的缺陷,提出相应的改进方法.采样方式方面,在三维空间构建平行于投影平面的圆盘,并根据其在屏幕的投影来计算采样范围,然后采用类似正态分布的方法结合随机纹理,对采样范围内的纹素采样;在遮挡因子计算方面,增加衰减系数,调整采样点对遮挡因子的贡献;最后,使用双边滤波来平滑图像,保持场景边缘,突出细节信息.     

采用重要性面片采样的实时全局光照

提出了一种实时全局光照的计算方法。该方法支持任意视点下动态光源的一次间接光照计算,并且物体表面材质可实时编辑,该算法预计算了各面片上的形状因子来解决遮挡问题,并记录形状因子较大的重要性面片作为间接光源。渲染时先从光源方向对场景记录了一个扩展的阴影图,包含了光源照射到的面片ID和其光通量,再根据采样好的间接光源来计算间接光照。使用CUDA,整个光照计算过程在GPU中完成,可以对静态场景进行实时渲染,并能达到逼真的渲染效果。     

基于分治采样的实时复杂光源照明

现有渲染复杂光源光照的技术大多需要一个长时间的预处理阶段,一不需要预处理的技术往往只专注某一类型的光照效果.为了解决不同类型光照计算需要不同类型采样策略的问题,提出一个新的、不需预计算的高效涫染复杂光源光照的框架.通过对渲染方程进行分治采样,统一的光照计算被分解为高频反射、低频反射以及遮挡阴影3项,每一项采用不同的采样策略计算,以使各部分都能在较短的时间内得到高质量的渲染结果.高频反射项根据材质BRDF的特性进行重要性采样;低频反射项是以光源亮度作为采样权重对光源进行预采样计算得到的;遮挡项的结果由屏幕空间的深度信息采样计算得到.由于遮挡阴影的低频特性,间隔采样技术可以在保持视觉效果的同时大大减少每个像素的采样数量.此渲染框架易于在GPU上实现,且可以解决很多实时渲染问题.实验结果以及对比表明,应用该技术框架能够处理完整的复杂光照效果,且达到比现有技术更高的渲染质量.     

一种基于IMM的自适应目标跟踪算法研究

对目标进行自适应跟踪是节约雷达资源的途径之一.以相控阵雷达为基础研究了一种目标自适应跟踪算法.介绍了传统连续情况下的周期采样方法,通过设定上、下界来限制算法中采样周期的变化.并在连续采样的基础上给出一种改进的离散采样算法,改进算法通过比较滤波残差和量测误差设定一组离散采样值,计算量减小,跟踪误差降低.基于IMM对两种自适应采样算法以及固定周期采样算法进行Monte Carlo仿真对比,仿真结果表明两种自适应采样算法均大大降低了采样宰,改进的离散自适应采样算法跟踪性能相对较好.     

基于后处理的实时景深模拟与应用

针对虚拟现实系统中的景深模拟问题,提出了一种改进的基于图形处理器(GPU)的后处理景深模拟算法.该算法在场景渲染时将全分辨率纹理图存入离屏缓存区,利用该离屏缓存区的Alpha通道输出每个像素的线性化深度信息;对这个全渲染的场景纹理图作下采样处理,得到原图像1/16大小的图像;对下采样后的场景纹理进行可分离二维高斯滤波,生成模糊的场景纹理图;通过泊松采样方法,在弥散圈内将两幅纹理图基于线性化深度信息进行融合,模拟出了景深效果.最后将该算法应用于一个海上搜救虚拟现实系统.实验结果表明,所提算法较好地仿真了景深效果,改善了传统后处理滤波算法的深度连续性差、亮度扩散等问题,并能满足实时交互需求.     

基于卷积神经网络的实时环境光遮蔽计算

环境光遮蔽是一种常用于计算机游戏以及可视化领域的低频全局光照模拟算法。已有的基于屏幕空间的环境光遮蔽计算方法虽然保证了计算的实时性,但是存在估计失真以及细节丢失等难以解决的问题。针对该问题,本文提出了一种结合低频光线追踪采样以及蒙特卡罗去噪的算法框架对环境光遮蔽进行实时计算。为了解决传统蒙特卡洛去噪算法无法实时处理的问题,提出了一种基于卷积神经网络的蒙特卡罗去噪算法,并针对问题对网络结构进行了改进和优化。验证实验证明基于卷积神经网络的方法能够对环境光遮蔽的去噪问题进行准确的处理,同时本文对卷积网络的改进在保持精度的基础上显著地提高了计算效率。对比实验显示了本文算法在保持与高频采样光线追踪算法相近效果的前提下可达到与基于屏幕空间环境光遮蔽计算方法相近的每秒数百帧计算效率。     

一种基于GPU的改进光线投射算法

针对传统光线投射算法计算量大、速度慢、在没有硬件加速情况下难以实时重建的问题,提出了一种基于GPU编程的快速计算重采样点值的光线投射算法。首先,设计一个GPU程序确定投射光线的终点与方向;其次,采用加速度步长采样方法确定重采样点的位置并利用快速复合插值方法计算重采样点的颜色值;最后,采用不透明度提前截止法进一步加速重建过程。实验结果表明,该方法计算复杂度低、执行效率高。在保证重建图像质量的同时,与现有基于CPU的光线投射算法相比,重建速度提高6倍,与基于GPU的传统光线投射算法相比,速度提高2倍。     

基于自适应检测长度的双门限能量感知算法

针对认知环境中能量感知的噪声不确定性问题,提出了一种基于自适应检测长度的双门限能量感知算法。算法首先根据噪声不确定性大小设置上下判决门限。当检测统计量位于双门限之外时直接判决,否则增加采样数并再次比较,直到得出判决结果或采样数达到上限;为了尽量减小由于采样数增加带来的系统能量开销的增加,给出了系统能量开销与吞吐量折中的最佳采样数上限。从理论上分析了算法的优越性,并进行了仿真验证,结果表明,该算法尽管增加了一定的能量开销,但是可以显著地提高系统检测性能。     

自适应采样与融合的增强现实阴影生成算法

针对现有增强现实(AR)应用中阴影生成算法绘制软阴影的真实性不足,提出一种自适应采样与背景融合的阴影生成算法。首先结合考虑遮挡的平面阴影算法计算虚拟对象投影阴影的空间位置分布;其次,改进膨胀腐蚀算法中软阴影的生成过程,提出一种依据近似点光源的形状类型进行自适应采样,从而获取假想点光源集合的软阴影绘制方法;最后,针对基于膨胀腐蚀算法使用阴影灰度图方法造成阴影的颜色被限制在单通道上,提出基于多通道与背景融合的方法。实验结果表明所提算法计算软阴影的颜色更加合理,软阴影的绘制方法更为有效,提高了阴影生成算法绘制软阴影的真实性。     

自相似网络的自适应系统双抽样方法研究

针对网络流量的自相似、重尾分布等特征,对传统的系统抽样进行改进,设计出一种新的抽样方法--自适应系统双抽样.该算法以传统的系统抽样为基础进行改进,充分考虑了网络流量重尾分布的特点,能正确估算Hurst参数,实现简单,参数自适应且能控制资源消耗.通过真实网络数据的实验分析表明,在链路负载估计、包到达时间间隔等方面较传统抽样方法都有明显的改进,提高了测量系统的精确性和实用性.     

并行多维自适应采样

针对现有自适应采样方法绘制效果差和速度慢的问题,提出一种并行的多维自适应采样方法.首先对多维空间进行粗采样,将其自适应地分割为多个子空间;然后扩展各子空间边界,根据噪声评价值分配每个子空间所需的采样点数;在各子空间上构建KD树以并行地对其进行自适应采样;最后根据各采样点间的梯度值重构图像.实验结果表明,该方法能够以更少的样本绘制高质量的景深、运动模糊和软阴影效果,并控制绘制图像时的内存消耗,支持高分辨率的真实感图像生成.     

随机抽样改进算法及其实现

文章对几种随机抽样算法进行了分析,在随机抽取交换法的基础上,针对其存在的缺点,提出了一种改进的随机抽样算法,并给出了算法实现.结果表明该算法简单可行.     

Processing of 3D meshed surfaces using spherical wavelets

This paper presents an efficient technique for processing of 3D meshed surfaces via spherical wavelets.More specifically,an input 3D mesh is firstly transformed into a spherical vector signal by a fast low distortion spherical parameterization approach based on symmetry analysis of 3D meshes.This signal is then sampled on the sphere with the help of an adaptive sampling scheme.Finally,the sampled signal is transformed into the wavelet domain according to spherical wavelet transform where many 3D mesh processing operations can be implemented such as smoothing,enhancement,compression,and so on.Our main contribution lies in incorporating a fast low distortion spherical parameterization approach and an adaptive sampling scheme into the frame for processing 3D meshed surfaces by spherical wavelets,which can handle surfaces with complex shapes.A number of experimental examples demonstrate that our algorithm is robust and efficient.     

基于限定区域数据取样的密度聚类算法

传统密度算法DBSCAN与DBRS的缺点在于时间性能和聚类精度均较低,为此,提出一种结合限定区域数据取样技术的密度聚类算法——DBLRS。该算法在不增加时间和空间复杂度的基础上利用参数Eps查找核心点的邻域点和扩展点,并在限定区域(Eps,2Eps)内进行数据抽样。实验结果表明,限定区域内选取代表点进行簇的扩充降低了大簇分裂的概率,提高了算法效率与聚类精度。     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

基于聚类方法的审计分层抽样算法研究

针对审计抽样中最复杂的抽样算法一分层抽样,从数据挖掘中“聚类”的角度出发,较好地运用了聚类思想于审计抽样的分层抽样算法之中,为该算法的实现提供了一种新的解决方案。AICPA39没有为分层抽样提供具体的实现方式,国内的学者曾从统计学角度有过实现,将从计算机科学角度实现方法与统计学实现方法进行分析比较,这是对分层抽样算法实现的有益新探索。     

关联规则的序贯抽样算法比较研究

关联规则发现是数据挖掘的核心技术,其中最经典的算法是Apriori算法。Apriori算法创建模型的方法是一次性抽样的方法。这种机器学习中传统而主流的建模技术,通常需要大量的样本量,这无疑会导致算法执行效率低下。最近几年,一些自适应的抽样建模方法逐渐得到重视,其中CarlosDomingo眼3演提出的基于序贯抽样理论的可升级性算法是其中之一,这一方法为用更少的资源建立稳健且不断更新的模型提出了新的思路。文章首先比较序贯抽样算法与传统的一次性抽样算法在关联规则中发现中的不同,接着论述将序贯抽样算法与Apriori算法结合同时达到节省空间和样本量的APASAR算法,最后通过模拟比较三种不同算法的执行效果。