[發明專利]一種基于矩陣行列采樣和深度學習進行多光源渲染的方法有效
| 申請號： | 201810320587.2 | 申請日： | 2018-04-11 |
| 公開（公告）號： | CN108682041B | 公開（公告）日： | 2021-12-21 |
| 發明（設計）人： | 張根源;應躍波 | 申請（專利權）人： | 浙江傳媒學院;浙江廣播電視集團 |
| 主分類號： | G06T15/00 | 分類號： | G06T15/00;G06T15/50 |
| 代理公司： | 杭州君度專利代理事務所(特殊普通合伙) 33240 | 代理人： | 解明鎧;劉靜靜 |
| 地址： | 310018 浙江省*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 矩陣 行列 采樣 深度 學習 進行 光源 渲染 方法 | ||
1.一種基于矩陣行列采樣和深度學習進行多光源渲染的方法，其特征在于，包括：
步驟1，根據三維場景建立光照矩陣，該光照矩陣中，每一列表示一個光源照射的所有采樣點，每一行表示一個采樣點上的所有光源照射；
步驟2，從光照矩陣中隨機抽取若干行，得到一次隨機縮減矩陣；
步驟3，在一次隨機縮減矩陣中隨機抽取若干行，得到二次隨機縮減矩陣；
步驟4，針對不同視點，分別繪制一次隨機縮減矩陣圖像和二次隨機縮減矩陣圖像；
步驟5，利用一次隨機縮減矩陣圖像和二次隨機縮減矩陣圖像對訓練深度神經網絡模型；
步驟6，在實時繪制高真實感圖像時，首先繪制二次隨機縮減矩陣圖像，然后將二次隨機縮減矩陣圖像輸入訓練好的深度神經網絡模型，輸出得到完整的高真實感圖像。
2.如權利要求1所述的矩陣行列采樣和深度學習進行多光源渲染的方法，其特征在于，步驟4中，繪制一次隨機縮減矩陣圖像的步驟的具體過程如下：
步驟4-a-1，使用采樣分簇，將一次隨機縮減矩陣劃分為若干簇，在每個簇中，選取完整的一列作為代表，根據RGB顏色通道對該列進行渲染，獲得該列的完整光照采樣；
步驟4-a-2，對代理列的光照采樣進行擴展，得到每個簇在RGB通道上的光照強度總和；
步驟4-a-3，將各簇的光照強度進行合并，得到多光源渲染結果。
3.如權利要求2所述的矩陣行列采樣和深度學習進行多光源渲染的方法，其特征在于，步驟4-a-1中的采樣分簇，包括如下步驟：
步驟4-a-1-1，在一次隨機縮減矩陣中隨機選擇個列作為簇中心，將與簇中心最近的點劃分到簇中心所代表的簇中，c為一次隨機縮減矩陣中的總列數；
步驟4-a-1-2，針對一次隨機縮減矩陣中某一列，優先在遠離該列的列中隨機選取列，當某一列被選中時，按固定比例增加該列權重，直至個列被選中；
步驟4-a-1-3，將權重較大的列作為簇中心，依據與簇中心的距離將一次隨機縮減矩陣劃分為若干簇。
4.如權利要求1所述的矩陣行列采樣和深度學習進行多光源渲染的方法，其特征在于，步驟4中，繪制二次隨機縮減矩陣圖像的步驟的具體過程如下：
步驟4-b-1，依據分簇因子對一次隨機縮減矩陣進行分簇，分簇因子為每簇的行數；
步驟4-b-2，從所分的簇中隨機選擇一些簇，在每個隨機選出的簇中，選取完整的一列作為代表，根據RGB顏色通道對該列進行渲染，獲得該列的完整光照采樣；
步驟4-b-3，對代理列的光照采樣進行擴展，得到每個簇在RGB通道上的光照強度總和；
步驟4-b-4，將各簇的光照強度合并，得到多光源渲染結果。
5.如權利要求1所述的矩陣行列采樣和深度學習進行多光源渲染的方法，其特征在于，步驟5中，圖像對的數量不少于10000。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江傳媒學院;浙江廣播電視集團，未經浙江傳媒學院;浙江廣播電視集團許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810320587.2/1.html，轉載請聲明來源鉆瓜專利網。
