Hydra Renderer Най-бързият Renderer
Свикнали сме с реалистично изобразяване, което отнема много време. Дълго време, тъй като реалистичната компютърна графика изисква моделиране на широк спектър от физични явления с висока изчислителна точност. А високата точност почти винаги означава дълго време за изчисление. Въпреки това, в реалния живот много често има ефекти и явления (ще ги наречем трудни за изчисляване), които имат сложен характер и точното им изчисляване по метода "груба сила" (под една или друга форма) е практически невъзможно за разумен срок. Основният проблем при изчисляването на такива явления са извънредни стойности: тесни и остри върхове в интеграла на осветлението, които се намират на неизвестни досега места в многомерното пространство.
Фигура 1. Изображение на водни каустики, изчислено с помощта на MLT на GPU HD7970 за 1 час.
Представете си, че изстрелвате 12-килограмово полево оръдие Модел 1805 (фиг. 1) в кибритена кутия от разстояние няколко километра (между другото, съвременните артилерийски системи могат да направят това). Или се опитвате да вкарате конеца в ухото на иглата, като хвърлите конеца от разстояние 1 метър. И двете събития са изключително редки, въпреки че може и да се случат. За 100-1000 изстрела/хвърляния на конеца може да ударите 1 път. Но това е ужасно неефективно. В рендерите същият проблем - не е известно предварително къде трябва да се освободят повече лъчи и много по-малко. Каустика или множество лъскави отражения - това е кибритена кутия - самото ухо на игла в многоизмерно пространство, в което визуализаторът трябва да може да влезе и доста често.
Фигура 1. 12-паундово оръдие Модел 1805, не твърде точно оръжие за нашето време.
MLT - Безпристрастно изобразяване без компромиси
Съвременната наука предлага няколко метода за решаване на този проблем. Всеки метод има своите предимства и недостатъци. В нашата система за визуализиране можете например да опитате стохастични прогресивни фотонни карти - SPPM. На практика обаче задачата за рендиране води до необходимостта да се моделира почти всичко и с висока точност. Това е, което ви дава гъвкавостта и мощта, от които се нуждаете в система за визуализация. Позволява ви да създавате нови светове свободно, без ограничения.
Традиционно популярните методи за изобразяване като (SPPM и BDPT/VCM, базирани на извадка с множество важности) използват "подсказки" - априорна информация за функцията за инцидентно осветление, която в действителност може изобщо да не съществува (или може да е неправилна). Метод, който дава истинска свобода, трябва да работи при всякакви условия без ограничения, трябва да обмисли осветлението с всякакви материали и източници в разумен срок. И, разбира се, с висока точност. За да е възможно това, трябва да се обърнете за помощ към математиката - и да мислите по-абстрактно. Нуждаем се от ефективна „вършачка“ за произволни многомерни интеграли. Това е, което ще премахне всички ограничения.
Какво е MLT?
Лекият транспорт на Metropolis (или MLT) е вид на така наречената верига Марков Монте Карло (MCMC). MCMC е по-обща версия на интеграцията на Монте Карло, която се развива активно и до днес. Няма да навлизаме в подробности как работи това, но ще кажем, че MCMC е в състояние да изгради разпределение, пропорционално на някоя неизвестна по-рано функция (в многомерно пространство, разбира се). Нещо повече, възможността да се изчисляват само стойностите на тази функция в точки. Точно такава е ситуацията, която имаме при проследяването на лъчи.
Тестови скриптове
Сценарий номер 1. Източник стои близо до стената. Оригинални изображения, изчислени в разделителна способност 2048x2048 за 1 час на GTX760
Източник близо до стената създава ярко и грубо вторично осветление.
Сценарий номер 2. Източник на сложна форма. Оригинални изображения, изчислени в разделителна способност 1024x1024 за 30 минути GTX680
Сценарий номер 3. Самосветящ се материал 1024x1024 за 5 минути GTX680
Сценарий номер 4. Воден каустик. Сравнение с PT.
Сценарий номер 4. Воден каустик. Сравнение със SPPM.
Сценарий номер 5. Каустика и непряко осветление през таршер.
Тази работа е извършена в Института по приложна математика на Келдиш на Руската академия на науките с подкрепата на Руската фондация за фундаментални изследвания (16-31-60048 mol_a_dk през 2016 и 2017 г.).