Исследование методов представления поверхностей на основе функций расстояний со знаком

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

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.

Об авторах

А. Р. Гарифуллин

Институт прикладной математики им. М. В. Келдыша РАН

Автор, ответственный за переписку.
Email: albert.garifullin@gin.keldysh.ru
125047 Москва, Миусская пл., 4, Россия

В. А. Фролов

Институт искусственного интеллекта Московского государственного университета им. М. В. Ломоносова; Институт прикладной математики им. М. В. Келдыша РАН; Факультет высшей математики и кибернетики Московского государственного университета

Email: vladimir.frolov@graphics.cs.msu.ru
119899 Москва, Ленинские горы, Россия; 125047 Москва, Миусская пл., 4, Россия; 119991 Москва, ГСП-1, Ленинские горы, д. 1, стр. 52

А. С. Будак

Институт искусственного интеллекта Московского государственного университета им. М. В. Ломоносова; Факультет высшей математики и кибернетики Московского государственного университета

Email: s02220347@gse.cs.msu.ru
119899 Москва, Ленинские горы, Россия; 119991 Москва, ГСП-1, Ленинские горы, д. 1, стр. 52

В. А. Галактионов

Институт прикладной математики им. М. В. Келдыша РАН

Email: vlgal@gin.keldysh.ru
125047 Москва, Миусская пл., 4, Россия

Список литературы

  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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».