- Код статьи
- S0132347425030027-1
- DOI
- 10.31857/S0132347425030027
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 15-26
- Аннотация
- В работе проведено исследование методов рендеринга поверхностей на основе трассировки лучей для представлений на базе функций расстояний со знаком. В качестве основных объектов интереса были выбраны время работы алгоритма рендеринга, объем занимаемой памяти, точность представления поверхности, оцениваемая по рендеру с помощью метрики PSNR. Проанализировано 6 различных представлений и 4 алгоритма поиска пересечений. В качестве ускоряющей структуры во всех случаях использовалась иерархия ограничивающих объемов (BVH-деревья). Проведенное сравнение выявило перспективные представления и алгоритмы и показало, что функции расстояний в ряде случаев практически не уступают полигональным моделям по скорости, хотя при этом могут выигрывать по объему потребляемой памяти и представлять поверхность с хорошим уровнем точности.
- Ключевые слова
- рендеринг трассировки лучей визуализация 3D-моделей функции дистанции со знаком
- Дата публикации
- 24.01.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 15
Библиография
- 1. Rogers D.F. An introduction to NURBS: with historical perspective. Elsevier, 2000.
- 2. Sitzmann V. et al. Implicit neural representations with periodic activation functions // Advances in neural information processing systems. 2020. V. 33. P. 7462-7473.
- 3. Takikawa T. et al. Neural geometric level of detail: Real-time rendering with implicit 3d shapes // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. P. 11358-11367.
- 4. Luan F. et al. Unified shape and svbrdf recovery using differentiable monte carlo rendering // Computer Graphics Forum. 2021. V. 40. № 4. P. 101-113.
- 5. Nicolet B., Jacobson A., Jakob W. Large steps in inverse rendering of geometry // ACM Transactions on Graphics (TOG). 2021. V. 40. № 6. P. 1-13.
- 6. Vicini D., Speierer S., Jakob W. Differentiable signed distance function rendering // ACM Transactions on Graphics (TOG). 2022. V. 41. № 4. P. 1-18.
- 7. Cao Y., Li H. DiffSDF: Learning Implicit Surface from Noisy Point Clouds // 2023 International Conference on Digital Image Computing: Techniques and Applications (DICTA). IEEE, 2023. P. 197-204.
- 8. Hart J.C. Sphere tracing: A geometric method for the antialiased ray tracing of implicit surfaces // The Visual Computer. 1996. V. 12. № 10. P. 527-545.
- 9. Inigo Quilez. Distance Functions // WEB publication. https://iquilezles.org/articles/distfunctions/ (accesed: 12.06.2024)
- 10. Ingo Quilez. Distance Functions // WEB publication. https://iquilezles.org/articles/terrainmarching/ (accesed: 12.06.2024)
- 11. Polkowski D. San Base: Авангард компьютерной графики // WEB publication. https://www.youtube.com/@lashenko (accesed: 12.06.2024)
- 12. Frisken S.F. et al. Adaptively sampled distance fields: A general representation of shape for computer graphics // Proceedings of the 27th annual conference on Computer graphics and interactive techniques. 2000. P. 249-254.
- 13. Sellers G., Kessenich J. Vulkan programming guide: The official guide to learning vulkan // Addison-Wesley Professional, 2016.
- 14. Koschier D. et al. An hp-adaptive discretization algorithm for signed distance field generation // IEEE transactions on visualization and computer graphics. 2017. V. 23. № 10. P. 2208-2221.
- 15. Söderlund H.H., Evans A., Akenine-Möller T. Ray Tracing of Signed Distance Function Grids // Journal of Computer Graphics Techniques. 2022. V. 11. № 3. P. 94-113.
- 16. Fujimoto A., Iwata K. Accelerated ray tracing // Computer Graphics: Visual Technology and Art Proceedings of Computer Graphics Tokyo′ 85. Tokyo: Springer Japan, 1985. P. 41-65.
- 17. Weier Р., Rath А., Michel É., Georgiev I., Slusallek P., Boubekeur T. 2N-BVH: Neural ray queries with bounding volume hierarchies. In ACM SIGGRAPH 2024 Conference Papers (SIGGRAPH '24). 2024. Association for Computing Machinery, New York, NY, USA, Article 99. P. 1-11. https://doi.org/10.1145/3641519.3657464
- 18. Fujieda S., Kao C.C., Harada T. Neural Intersection Function // arXiv preprint arXiv:2306.07191.2023.
- 19. Galin E. et al. Segment tracing using local lipschitz bounds // Computer Graphics Forum. 2020. V. 39. № 2. P. 545-554.
- 20. Marmitt G. et al. Fast and Accurate Ray-Voxel Intersection Techniques for Iso-Surface Ray Tracing // VMV. 2004. V. 4. P. 429-435.
- 21. Stich M., Friedrich H., Dietrich A. Spatial splits in bounding volume hierarchies // In Proceedings of the Conference on High Performance Graphics 2009 (HPG '09). 2009. Association for Computing Machinery, New York, NY, USA. P. 7-13. https://doi.org/10.1145/1572769.1572771
- 22. Wald I. et al. Embree: a kernel framework for efficient CPU ray tracing // ACM Transactions on Graphics (TOG). 2014. V. 33. № 4. P. 1-8.
- 23. Frolov V., Sanzharov V., Galaktionov V. Kernel_slicer: high-level approach on top of GPU programming API // 2022 Ivannikov Ispras Open Conference (ISPRAS). IEEE, 2022. P. 11-17.
- 24. Жданов Д.Д., Потемин И.С., Жданов А.Д. Использование технологий Embree для трассировки лучей в оптических системах с поверхностями свободной формы // Труды 33-й Международной конференции по компьютерной графике и машинному зрению ГрафиКон 2023, ИПУ им. В.А. Трапезникова РАН, Москва, Россия, 2023. V. 33. P. 97-107.
- 25. Jones M.W. Distance field compression // Journal of WSCG. 2004. V. 12. № 2. P. 199-204.
- 26. Nießner M., Zollhöfer M., Izadi S., Stamminger M. Real-time 3D reconstruction at scale using voxel hashing // ACM Trans. Graph. 32, 6, Article 169 (November 2013), 11 p. https://doi.org/10.1145/2508363.2508374
- 27. Boyko A.I., Matrosov M.P., Oseledets I.O., Tsetserukou D., Ferrer G. Tt-tsdf: Memory-efficient tsdf with low-rank tensor train decomposition // In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 10116-10121. IEEE, 2020.
- 28. Garland M., Heckbert P.S. Surface Simplification Using Quadric Error Metrics. Seminal Graphics Papers: Pushing the Boundaries. V. 2 (1st ed.). 2023. Association for Computing Machinery, New York, NY, USA, Article 15, P. 131-138. https://doi.org/10.1145/3596711.3596727
