Globális illumináció (GI)

Slides:



Advertisements
Hasonló előadás
Árnyalás – a felületi pontok színe A tárgyak felületi pontjainak színezése A fényviszonyok szerint.
Advertisements

 Árnyalási egyenlet  Saját emisszió  Adott irányú visszaverődés.
2D képszintézis Szirmay-Kalos László.
Inkrementális 3D képszintézis
Sugárkövetés: ray-casting, ray-tracing
3D képszintézis fizikai alapmodellje
2D képszintézis Szirmay-Kalos László. Számítógépes grafika feladata képszintézis Virtuális világ modell modellezés Metafórák: 2D rajzolás világ = sík.
Geometriai modellezés
Számítógépes grafika Szirmay-Kalos László
Térfogatvizualizáció Szirmay-Kalos László. Térfogati modellek v(x,y,z) hőmérséklet sűrűség légnyomás potenciál anyagfeszültség... v(x,y,z) tárolás: 3D.
Sugárkövetés: ray-casting, ray-tracing Szirmay-Kalos László.
Számítógépes grafika Szirmay-Kalos László
3D képszintézis fizikai alapmodellje
 Alapja a véletlen minták kiértékelése  Matematikai rendszerek  Fizikai szimuláció  Sok szabadság fokú csatolt rendszerek  Folyadékok, sejt struktúrák,
Máté: Orvosi képfeldolgozás10. előadás1 Több kompartmentes modell, pl.: Lineáris tagok. Pl. k 32 jelentése: a 3-ba a 2-ből jutó tracer mennyisége lineárisan.
Előadó: Prof. Dr. Besenyei Lajos
Számítógépes grafika, PPKE-ITK, Benedek Csaba, D képszintézis 4. előadás.
Számítógépes grafika, PPKE-ITK, Benedek Csaba, 2010 Geometriai modellezés 2. előadás.
Színek és megvilágítás
Küszöbölés Szegmentálás I.
Kliensoldali Programozás
2D képszintézis és textúrák
4.év Mérnoki Informatika BBTE Matematika és Informatika.
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
excel, (visual basic) makrók gyorstalpaló
Ritka események szimulációja - Transition Path Sampling NYME TTK Kémia és Környezettudományi Tanszék 9700 Szombathely, Károlyi Gáspár tér 4. Borzsák István.
Térfogatvizualizáció Szirmay-Kalos László. Térfogati modellek v(x,y,z) hőmérséklet sűrűség légnyomás potenciál anyagfeszültség... v(x,y,z) tárolás: 3D.
Fraktálok Szirmay-Kalos László.
Sugárkövetés: ray-casting, ray-tracing
Térfogatvizualizáció
Vektorok különbsége e-x = [ex-xx ey-xy ez-xz] e e-x x szempozíció
Fraktálok és csempézések
Sugárkövetés: ray-casting, ray-tracing
Térfogatvizualizáció
2D képszintézis Szirmay-Kalos László.
Számítógépes grafika Bevezetés
3D képszintézis fizikai alapmodellje Szirmay-Kalos László Science is either physics or stamp collecting. Rutherford.
Árnyalás – a felületi pontok színe A tárgyak felületi pontjainak színezése A fényviszonyok szerint.
4.6. A Fénysugár-követés módszere (ray-tracing) Mi látható a képernyőn, egy-egy képpontban ? (4.4.LÁTHATÓSÁG) A képponton át a szembe jutó fénysugár melyik.
Dr Jedlovszky Pál ELTE TTK
Spindinamika felületi klaszterekben Balogh L., Udvardi L., Szunyogh L. BME Elméleti Fizika Tanszék, Budapest Lazarovits B. MTA Szilárdtestfizikai és Optikai.
Sugárkövetés: ray-casting, ray-tracing Szirmay-Kalos László.
Áttekintés a számítógépi* grafika világáról
Árnyalás – a felületi pontok színe A tárgyak felületi pontjainak színezése A fényviszonyok szerint.
Slides for Quantum Computing and Communications – An Engineering Approach Chapter 7 Searching in an Unsorted Database Sándor Imre Ferenc Balázs.
Fotorealisztikus képszintézis valós időben Szirmay-Kalos László, Csébfalvi Balázs BME IIT.
Számítógépes grafika, PPKE-ITK, Benedek Csaba, 2010 Színek és megvilágítás 5. előadás.
Számítógépes grafika, PPKE-ITK, Benedek Csaba, 2010 Geometriai modellezés 2. előadás.
Informatikai eszközök a virtuális valóság szolgálatában Hapák József ELTE-IK X. Eötvös Konferencia.
Raszter-konverzió A képelem látványát alkotó képpontok előállítása Egyenes szakasz képpontjai Sokszög lemez kitöltése.
Máté: Orvosi képfeldolgozás12. előadás1 Regisztrációs probléma Geometriai viszony meghatározása képek között. Megnevezései: kép regisztráció (image registration),
Máté: Orvosi képfeldolgozás12. előadás1 Három dimenziós adatok megjelenítése Metszeti képek transzverzális, frontális, szagittális, ferde. Felület síkba.
4.6. A Fénysugár-követés módszere (ray-tracing) Mi látható a képernyőn, egy-egy képpontjában ? És az ott milyen színű ? (4.7. Árnyalás)
Magdics Milán.  BME Irányítástechnika és Informatika Tanszék (IIT)  Tanszékvezető: Dr. Szirmay-Kalos László  Főbb kutatási területek:  Globális illumináció.
Képek, képfeldolgozás Szirmay-Kalos László.
GPU alapú fotontranszport nagyfelbontású heterogén közegben BME IIT Szirmay-Kalos László Magdics Milán Tóth Balázs.
Vizualizáció és képszintézis
Vizualizáció és képszintézis Térfogati fényterjedés Szécsi László.
Kinetikus Monte Carlo  Bevezetés  Véletlen bolyongás  Residence time algoritmus.
Global Illumination.
Lighting III.
Vizualizáció és képszintézis
6. A 3D grafika alapjai 6.1. A 3D szerelőszalag fölépítése
Monte Carlo módszerek.
Vizualizáció és képszintézis
Becsléselmélet - Konzultáció
6. A 3D grafika alapjai 6.1. A 3D szerelőszalag fölépítése
Vizualizáció és képszintézis
Sugármetszés implicit szintfelülettel
Holográfia Gábor Dénes (Dennis Gabor): a Hungarian electrical engineer and physicist, he invented the holography. He received the 1971 Nobel Prize in Physics.
Előadás másolata:

Globális illumináció (GI) Szirmay-Kalos László Monte-Carlo methods, random number generation. Practical application: rendering in computer graphics

Képszintézis = valós világ illuziója  Tone mapping  pixel Virtuális világ színérzet Valós világ Sugársűrűség = egységnyi látható felület egységnyi térszögbe kisugárzott teljesítménye  

Árnyalási egyenlet Radiancia = Emisszió + Megvilágítás * Visszaverődés L(x, ) = Le (x, ) +  L(y, w’) fr(’,) cos’ dw’  y ’ ’ L = Le + t L x

GI megoldás L = Le+L  Le+Le L = Le+L = Le+Le+ 2L = Lokális illumináció Expanzió Iteráció L = Le+L  Le+Le L = Le+L = Le+Le+ 2L = Le+Le+ 2 Le + 3L =   nLe = Le+(Le+ (Le +…)) Ln = Le+ Ln-1

Nagydimenziós integrál színtér kép Le wn w1 R képszintézis = integrál a fényutak terében

Követett fényutak: Lokális illumináció pixel The evaluation of high-dimensional integrals is, of course, rather time-consuming, thus different algorithms take drastic simplifications to increase the computational speed. Local illumination algorithms consider only those light paths that connect the light source to the eye by a single reflection and ignore indirect illumination completely. The resulting image cannot display mirroring and refracting objects and those points that are not visible from the light sources are dark. Recursive ray-tracing, on the other hand, allow indirect illumination coming from the ideal reflection and refraction directions, and thus introduces ideal mirrors and refracting objects. However, this is still just a fraction of the indirect illumination, which could be simulated only by physically valid global illumination algorithms. Note, for example, that the diffuse back wall do not illuminate the spheres in the image obtained with ray-tracing.

Követett fényutak: Sugárkövetés pixel

Követett fényutak: Globális illumináció pixel

Hogyan működik a természet? 100 W égő 1042 fotont emittál másodpercenként Fotonok által eltalált felület meghatározása fénysebességgel és párhuzamosan Fotonok véletlenszerűen elnyelődnek, vagy véletlen irányban visszaverődnek A fotonok egy kis része a szembe jut

Szimuláció elfogadható számítási idő: 107 részecske alapművelet: ray-shooting: egy részecske által eltalált felület Véletlenszerű irány generálása Szemhozzájárulás számítása

Mintaszám drasztikus csökkentése Sűrű minták: fényutak kitöltik a lehetséges teret Fontosság szerinti mintavétel: Az alacsonyteljesítményű úttartományokban kevesebb minta is elég Gyors számítás útszámítás koherencia

Sűrű minták Error = f/2/M·1/M·M= f/2/M=O(M-1) Átlagos magasság alap Háromszögek Száma f (z) dz 1/M f (zi ) M minta D f 1 Let us consider the problem of dense samples used to estimate an integral. Suppose, for the sake of simplicity, that the integral is one-dimensional and the domain is the unit interval. The simplest integration rule place samples regularly in the domain, evaluates the integrand at these samples, and approximates the area below the function by the total area these bricks. This results in the following sum that approximates the integral. The error of the integration is the total area of the triangle-like objects between the function curve and the bricks, which equals to the product of the average height of the triangles, the base, and the number of triangles. We can conclude that the error is proportional to the total change, called variation of the function, and inversely proportional to the number of samples.

Magasabb dimenziókban y F(x) =  F(x) dx  f (x,y) dy dx x n = M mintaszám Error=O(n-1) = O(M-0.5)

Sűrű minták magasabb dimenizókban Véletlen: Monte Carlo method Determinisztikus, Alacsony diszkrepancia quasi Monte Carlo

Monte Carlo - quasi-Monte Carlo

Monte-Carlo Integálás 10 samples/pixel Monte-Carlo Integálás Integrál = várható érték f (z) dz = f (z)/p(z) ·p(z) dz = =E[f (z)/p(z)]1/M f(zm)/p(zm) 100 samples/pixel 1 sample/pixel Monte-Carlo integration can also be understood in the following way. In order to evaluate an integral, let us divide and multiply the integrand by a probability density p. Obviously, it does not make any difference. Looking at this formula, we can realize that this is the expected value of random variable f/p. According to the theorem of large numbers, expected values can be well approximated by averages. Thus taking M samples obtained with probability density p, this average will be a good estimate for the original integral. The integration error will be proportional to the variation of f/p and inversely proportional to the square root of the number of samples. Error < 3·(Standard deviation of f /p) ·M-1/2 99.7% konfidencia szinttel

Fontosság szerinti mintavételezés f /p variációja legyen kicsi: ahol f nagy p is nagy f /p f /p f f p p In order to reduce the error, the variation of f/p should be small, that is where the integrand is large, the probability density should also be large. It means that the sampling with this probability density will place more samples where the integrand is large. This concept is called importance sampling. This figure compares a good and a bad sampling densities. In the first case the f/p terms in the approximating average will be similar, thus the average remains nearly constant as we add new samples. In the second case, the important region is sampled rarely, thus the approximating average contains many small values when a very large f/p value appears. The corresponding pixel color is dark and suddenly it becomes very bright and remains bright for a long time. This situation should be avoided. jó rossz hasonló f /p minták Ritka, nagy f /p minták

Véletlen bolyongás L =Le + Lin (w’) fr cos’ dw’ pixel L =Le + Lin (w’) fr cos’ dw’ According to importance sampling, when the next step is sampled, we have to prefer those directions from which significant light intensity can be transferred. This depends on two factors, on the incoming intensity and on the material properties that express the ratio of the outgoing and incoming intensities for two particular directions. Unfortunately, the incoming intensity is not known since we are just about to compute it, thus we have to take approximations. Either we can prefer those continuation directions from which the reflection is likely, or we can continue towards the light sources hoping that the incoming illumination is significant from there. The first approach is called BDF sampling, while the second approach is light source sampling. w: visszaverődés sűrűség BRDF mintavétel: arányos fr cos’ Fényforrás mintavétel

Diffúz BRDF mintavételezés dA  dA/cos Eldobott minták dw dw cos 1. Egyenletes minták az egységnégyzetben 2. Körön kívüli minták eldobása do { x = r1, y = r2 } while (x2 + y2 > 1) 3. Gömbre vetítés z =  1 - x2 - y2

Végtelen dimenziós integrálok: Orosz rulett 1. MC integrál: wi(Le +...) dwi = E[wi(Le +...) /p(wi)] = E[ Lrefl ] 2. Számítsd ki s valószínűséggel, különben 0 3. Kompenzálj s-sel osztással Várható érték: E[ Lrefl* ] = s E[ Lrefl/s ] + (1-s) 0 = E[ Lrefl ] Szórás nő: D2[ Lrefl* ] = s E[ (Lrefl/s)2 ] + (1-s) 0 - E2[ Lrefl ]= (1/s - 1) E[(Lrefl)2 ] + D2[ Lrefl ]

Fényút építés No caustics gathering shadow rays shooting No visible mirrors and glass gathering shadow rays shooting visibility rays Path connecting the light sources to the eye can be built from two directions. We can start at the eye and walk in the space opposite to the light generating the next direction with BRDF sampling and then gathering the emission of the visited points. However, if the light sources are small, then only a few walks have non zero contribution , which is responsible for large fluctuations of the average pixel colors. In order to avoid this the walk is forced to go to the light source by connecting the visited points to the light sources by deterministic shadow rays. Paths can also be obtained starting at the light sources and walking as real photons do. At the reflection points the continuation direction can be samples with BRDF sampling. Again, it is very unlikely that the walks find the eye, thus we force the walk to go to the eye by connecting the visited points by deterministic visibility rays. Note that the first approach called gathering or path tracing uses BRDF sampling everywhere except at the last reflection towards the light sources while the second approach called shooting or light tracing uses BRDF sampling everywhere except for the last reflections towards the eye. If the surfaces at these points are highly specular, or mirror like, then it is very unlikely that the deterministic connection finds that direction that would be preferred by BRDF sampling, which results in high contribution low probability samples that are regarded as bad samples. Light sources directly illuminating mirrors or ideal refracting objects cause caustics, thus these caustic effects cannot be efficiently rendered by path tracing. For example, this image was obtained with path tracing with 800 samples per pixel. This is quite accurate except for points where the illumination comes from a single reflection of the light source on a close to ideal mirror. For shooting, visible mirrors and glass objects pose problems, therefore these scenes cannot be efficiently rendered by light tracing.

Gyűjtés FOR each pixel p Color color = 0 FOR sample = 1 to M ray FOR each pixel p Color color = 0 FOR sample = 1 to M Ray ray = sample ray from eye through pixel p samplecolor = Trace(ray) color += samplecolor/M ENDFOR WritePixel(p, color)

Lövés Clear Image FOR sample = 1to M ray Clear Image FOR sample = 1to M Ray ray = sample ray from the lightsource power of the ray = Le cos /p/M Shoot(ray) // add to affected pixel ENDFOR

Path tracing Le1 Le3 Le2 BRDF sampling: Pr{next direction}  Brdf cos ‘ Russian roulette: Termination with 1- ai P= Le1+Le2 w1/p1/a1 + Le3 w1/p1/a1 w2/p2/a2 1 1 1

Fényforrás mintavétel shadow rays Le1* Le3* Le2* L = Le+ tLe+ t 2Le + t 3Le ... = Le+(tLe)+t (t Le )+ t 2(tLe) + ... Le1* Le2 * Le3*

Path Tracer Color Trace(ray, depth) (object, x) = Intersect(ray) IF no intersection THEN RETURN Lsky color = Direct Lightsource(x, -ray.dir) if (depth == 0) color += Le (x, -ray.dir) prob = RussianRoulette (normal, -ray.dir) IF (prob == 0) RETURN color prob *= BRDFSampling (newdir, normal, -ray.dir) color += Trace(Ray(x, newdir), depth+1) * Brdf(newdir, normal, -ray.dir) cos’ / prob RETURN color

Foton térkép Bi-directional path tracing connects a single gathering path to a single shooting path to obtain complete light paths that are used in the integral quadrature. If we could store shooting paths somehow, we could connect a single gathering path to all shooting paths simultaneously, thus we could gain much more samples for the integral quadrature. This is the basic idea of the photon map algorithm proposed by Jensen, which uses an approximative representation of the result of all shooting paths. This algorithm consists of two phases. In the first phase a lot of shooting walks are generated and the photon hits of these walks are stored in an appropriate data structure. Then, in the second phase rays are traced from the eye and the radiance of the visible points are approximated from the photon hits nearby this point.

Foton térkép gyűjtés  = r2 Hit: Position Direction Power Normal vector Gömb n foton találat L=Lin fr cosd = dF/(dA cos d) fr cosd  = r2 L= Fifr

Direkt megjelenítés

Final gathering

Virtuális fényforrások The photon map algorithm uses those photons that are close to a point of interest, which limits the number of light paths obtained in a single step. In instant radiosity, on the other hand, all photons are utilized when the illumination of a point is computed. This method also consists of two phases. In the first phase a relatively few shooting paths are generated and the photon hits are stored. Then in the second phase, these photons act as virtual light sources whose illumination is responsible for indirect illumination. The original version of this algorithm proposed by Keller, which is known as instant radiosity, the surfaces were assumed to be diffuse, thus the virtual light sources are also diffuse. The illumination of diffuse lights together with depth buffer shadows could be computed by the graphics hardware even at that time, which made this method really fast. 600 x 600 pix 5 sec

Virtuális fényforrások kiterjesztés Caustics lövésből Ideális tükröző, törő felületek: path tracing

Metropolis light transport When it comes to the global illumination problem a sample is a light path connecting the light source to the eye, thus mutating the sample means a perturbation of this paths. Such perturbations should change all properties of the path with positive probability, as for example, the directions, the origins and the length as well. Although, if this requirement is met, then the algorithm will converge to the correct result no matter what kind of mutations are used, the applied perturbation strategy significantly affects the speed of convergence. For example, on specular surfaces it would be worth gradually refining the perturbation size, which cannot be made by the original approach, and consequently the original method is really efficient just on very difficult scenes. Moreover, if the paths are mutated, then the mutations will not be symmetric, which makes the formulae and the implementation more complicated. Considering this, the efficient implementation of this seemingly brilliant and simple idea is not at all trivial, and the method has not become as popular as expected. Mutációk: irány, lépésszám váltás

Klasszikus fontosság szerinti mintavétel Importance: I 1. I ami közelíti f-t 2. I normalizálása pdf = I /  I dx 2. Valószínűségeloszlás CDF(y) =  y pdf dx 3. Mintavétel: Egyenletes eloszlás transzformálása r in [0,1]: x = CDF-1(r) Integrandus: f Sűrűség: pdf x The process of constructing the sampling distribution and generating the samples consists of the following steps: First we find a scalar importance function that mimics the original, usually non-scalar integrand. The importance is normalized to obtain a probability density, which is integrated to establish the cumulative probability distribution. Finally the samples are generated from uniformly distributed pseudo or quasi random numbers by transforming them with the inverse of the cumulative distribution function. Unfortunately, this process imposes severe requirements on the importance function, namely, we should know and analytically integrate it, and its integral should be invertible. These requirements can only be met if the importance function is rather simple, which makes it impossible to mimic the integrand properly. CDF r

Metropolis mintavételezés Importance: I 1. I ami hasonló f 2. Normalizáló konstans: b =  I dx 3. Mintavétel: Mutáció/Elfogadás Folyamat, amely x-et I(x)/b valószínűségsűrűséggel mintavételezi Integrandus: f Metropolis sampling, on the other hand, when carries out importance sampling, assumes much less about the importance function. Instead of transforming uniformly distributed numbers, Metropolis sampling randomly mutates the previous sample to obtain a new tentative sample, and decides randomly on the acceptance or rejection of the perturbed sample. If the acceptance of the tentative sample is proportional to the importance degradation, then the probability of obtaining a sample in the stationary limiting case will be proportional to the importance function, with almost all mutation strategies. Note that Metropolis sampling does not even need the analytic form of the importance function, it is enough if we can point sample it, thus the importance sampling strategy can be much more effective, resulting in accurate images with just a few samples. x

Elfogadási valószínűség “Bármilyen” mutáció T(xy ) Elfogadási valószínűség a(xy) úgy, hogy a határeloszlás a fontossággal arányos legyen: p(x)  I(x) a(xy ) a(yx ) I(y) T(yx) I(x) T(xy ) p(x) T(xy) a(xy) = y x Detailed balance Maximális konvergencia: I(y)·T(y x) a(x y) = min{ ,1} I(x)·T(x y)

Metropolis algoritmus FOR i=1 TO M DO Using zi choose another random, tentative point zt a(zi  zt) = (I(zt) T(zt  zi)) /(I (zi) T(zi  zt)) // accept with probability a(zi  zt) Generate random number r in [0,1] IF r < a(zi  zt) THEN zi+1 = zt ELSE zi+1 = zi Use zi+1 in the integral quadrature ENDFOR

PRT: Precomputed Radiance Transfer