コンピュヌタグラフィックスの被写界深床

ドフ 人間の目ずは異なり、コンピュヌタヌはシヌン党䜓に焊点を合わせおレンダリングしたす。 瞳孔たたはレンズの開口郚の盎埄が有限であるため、カメラず目の䞡方の被写界深床は限られおいたす。 より優れたフォトリアリズムを実珟するには、コンピュヌタヌで取埗した画像に被写界深床の効果を䜿甚するこずをお勧めしたす。 さらに、被写界深床を制埡するこずで、著者の芞術的意図を明らかにし、意味においお重芁なオブゞェクトを匷調するこずができたす。

これたで、コンピュヌタヌグラフィックスで珟実的な被写界深床を衚瀺するタスクは完党には解決されおいたせんでした。 長所ず短所を備えた倚くの゜リュヌションがあり、さたざたなケヌスに適甚できたす。 珟時点で最も人気のあるものを怜蚎したす。



光孊系で

レンズで屈折した光は、フィルム、マトリックス、網膜などの感光芁玠に画像を圢成したす。 十分な量の光がチャンバヌに入るために、入力開口郚光孊システムぞの入り口での光ビヌムの盎埄は十分な倧きさでなければなりたせん。 空間の1点からの光線は垞にレンズの1点埌ろに正確に収束したすが、この点は必ずしも遞択された画面センサヌの平坊床ず䞀臎したせん。 したがっお、画像の被写界深床は限られおいたす。぀たり、オブゞェクトずレンズずの距離ず焊点距離の差が倧きいほど、オブゞェクトはよりがやけたす。 その結果、特定の距離にある点ががやけたスポットずしお衚瀺されたす混乱の茪CoC。 がかし半埄は、特定の法則に埓っお蚈算されたす。

がかしディスク盎埄匏

がかし盎埄の決定詳现に぀いおは、 Wikipediaを参照。



レンダラヌで䜿甚されるメ゜ッドは、 ピンホヌルカメラモデルを䜿甚したす入力アパヌチャが0であるため、すべおのオブゞェクトに焊点が合いたす。 有限サむズの開口郚、したがっお被写界深床のシミュレヌションには、远加の劎力が必芁です。



CoC

シヌン内のポむントは、散乱スポットずしお画面に投圱されたす。



䞀般的なレビュヌ

被写界深床を実装する方法は、オブゞェクト空間メ゜ッドず画像空間メ゜ッドの2぀の倧きなグルヌプに分けるこずができたす。



オブゞェクト空間メ゜ッドは、シヌンオブゞェクトの3D衚珟で機胜するため、レンダリング䞭に適甚されたす。 ポストプロセスメ゜ッドずも呌ばれる画像空間メ゜ッドは、暙準のピンホヌルカメラモデルを䜿甚しお取埗されたラスタヌむメヌゞで動䜜したす完党にフォヌカスされおいたす。 被写界深床の効果を実珟するために、これらのメ゜ッドは、深床マップを指定しお、画像の領域をがかしたす。 䞀般に、オブゞェクト空間メ゜ッドは、画像空間メ゜ッドよりも物理的に正確な結果を生成でき、アヌティファクトが少ない䞀方で、画像空間メ゜ッドははるかに高速です。

オブゞェクト空間法は、幟䜕光孊たたは波動光孊に基づいおいたす。 ほずんどのアプリケヌションは、幟䜕光孊を䜿甚したす。これは、ほずんどの目暙を達成するのに十分です。 ただし、焊点が合っおいない画像では、回折ず干枉が重芁な圹割を果たしたす。 圌らの怜蚎のため、波動光孊の法則を適甚する必芁がありたす。



画像空間法は、生成された画像に適甚される方法ずデゞタル写真に適甚される方法に分けるこずができたす。 埓来のポストプロセッシング技術では、カメラからの画像ポむントの遠隔性に関する情報を含む深床マップが必芁ですが、そのようなマップを写真で取埗するこずは困難です。 デプスマップなしでオブゞェクトの焊点をがかすこずができる、ラむトフィヌルドの興味深いテクニックがありたす。 この技術の欠点は、特別な機噚が必芁なこずですが、結果の画像にはシヌンの耇雑さに察する制限がありたせん。



オブゞェクト空間アプロヌチ



分散レむトレヌシング

この方法は、幟䜕光孊を盎接シミュレヌトしたす。 サンプルごずに1぀のレむをトレヌスする代わりにオリゞナルでは、ピクセルですが、カりントされるレむの数はAA蚭定に応じお倉化し、たれに1ピクセルに等しいため、䞍適切だず思いたした。有限口埄のカメラで取埗したアナログ画像を取埗したす。 各サンプルの光線は、画面䞊の1点から来たすが、レンズの異なる郚分に向けられたす。 レンズによる屈折の埌、ビヌムはシヌンに攟射されたす。



説明は、光孊の物理法則波を陀くを考慮しお、画像が圢成されるこずを瀺しおいたす。 したがっお、この方法で取埗した画像は非垞に珟実的であり、埌凊理方法を確認できる「ゎヌルドスタンダヌド」ず芋なされたす。 この方法の欠点は明らかです。各サンプルに぀いお、高品質のブラヌを埗るのに十分な光線の数をそれぞれ蚈算する必芁があるため、レンダリング時間が長くなりたす。 被写界深床を浅くしたい堎合は、レンダリング時間を数癟たたは数千倍増やす必芁がありたす。 がやけた領域で䜿甚する䜙分な光線の数が䞍十分な堎合、ノむズが発生したす。



このメ゜ッドは、mia_lens_bokehシェヌダヌに実装されおいたす。
//   struct depth_of_field { miScalar focus_plane_distance; miScalar blur_radius; miInteger number_of_samples; }; miBoolean depth_of_field ( miColor *result, miState *state, struct depth_of_field *params ) { //   miScalar focus_plane_distance = *mi_eval_scalar(&params->focus_plane_distance); miScalar blur_radius = *mi_eval_scalar(&params->blur_radius); miUint number_of_samples = *mi_eval_integer(&params->number_of_samples); miVector camera_origin, camera_direction, origin, direction, focus_point; double samples[2], focus_plane_z; int sample_number = 0; miColor sum = {0,0,0,0}, single_trace; //      miaux_to_camera_space(state, &camera_origin, &camera_direction); //    focus_plane_z = state->org.z - focus_plane_distance; miaux_z_plane_intersect(&focus_point, &camera_origin, &camera_direction, focus_plane_z); //     while (mi_sample(samples, &sample_number, state, 2, &number_of_samples)) { miaux_sample_point_within_radius(&origin, &camera_origin, samples[0], samples[1], blur_radius); mi_vector_sub(&direction, &focus_point, &origin); mi_vector_normalize(&direction); miaux_from_camera_space(state, &origin, &direction); mi_trace_eye(&single_trace, state, &origin, &direction); miaux_add_color(&sum, &single_trace); } //   miaux_divide_color(result, &sum, number_of_samples); return miTRUE; }
      
      





DOFシェヌダヌ

シェヌダヌを適甚した結果コヌドは手動のmental rayから取埗され、画像はそこから取埗されたす 。



珟実的なカメラモデル

以前の方法では、レンズの屈折は1぀の法則に埓っお蚈算されたした。 ただし、これは垞にそうではありたせん。 レンズは、異なるプロパティを持぀レンズのグルヌプで構成されたす。

レンズモデル

レンズ内のレンズグルヌプPat Hanrahanによる写真。



メヌカヌが提䟛する光孊レンズの仕様は、数孊モデルずしお正しく実装されおいたす。 このモデルには、レンズグルヌプのシミュレヌションが含たれ、アりトレットレンダラヌが1぀のサンプルの光線を攟出する範囲のモデルも提䟛されたす。 出口に入る光線は、通過するレンズグルヌプの光孊特性を考慮しお蚈算されたす。



この方法では、被写界深床ずレンズによっお生じる歪みの䞡方を物理的に正しくシミュレヌトできたす。

さたざたたなレンズズモデル

焊点距離の異なるレンズ焊点距離ずレンズモデルの倉曎により、遠近法の倉曎ず歪みが衚瀺される堎合がありたすたずえば、䞊の写真のように-Pat Hanrahanの写真。



魚県レンズを実装するシェヌダヌの䟋
 struct fisheye { miColor outside_color; }; miBoolean fisheye (miColor *result, miState *state, struct fisheye *params ) { miVector camera_direction; miScalar center_x = state->camera->x_resolution / 2.0; miScalar center_y = state->camera->y_resolution / 2.0; miScalar radius = center_x < center_y ? center_x : center_y; miScalar distance_from_center = miaux_distance(center_x, center_y, state->raster_x, state->raster_y); if (distance_from_center < radius) { mi_vector_to_camera(state, &camera_direction, &state->dir); camera_direction.z *= miaux_fit(distance_from_center, 0, radius, 1, 0); mi_vector_normalize(&camera_direction); mi_vector_from_camera(state, &camera_direction, &camera_direction); return mi_trace_eye(result, state, &state->org, &camera_direction); } else { *result = *mi_eval_color(&params->outside_color); return miTRUE; } }
      
      





フィッッシュアむ

シェヌダヌを適甚した結果コヌドは手動のmental rayから取埗され、画像はそこから取埗されたす 。



蓄積バッファヌ

蓄積バッファは、被写界深床の効果を達成するためにも䜿甚できたす。 いく぀かのフレヌムがレンダリングされた埌、それらを平均するず、目的の画像が埗られたす。 この方法は、分散レむトレヌシングに非垞に䌌おいたすが、それよりも高速です。 レンダリングはハヌドりェアを䜿甚しお行われたす。 ただし、最初の方法では、サンプル数を適応的に制埡し、より少ないサンプルを䜿甚しお蚱容できる品質の画像を取埗できたす。 この方法は、シヌンをハヌドりェアで仲介できる堎合にのみ適甚できたす。



波動䌝播シミュレヌション波動䌝播

䞊蚘のすべおの方法は、回折ず干枉を無芖しお、幟䜕光孊の法則を䜿甚したす。 特定の波長の光を攟出するシヌンに耇数の点光源がある堎合、空間内の光波の䌝播を远跡できたす。 画面は特定の距離にあり、サンプルの倀を決定するために、゜ヌスから攟射されるすべおの波からの寄䞎が考慮されたす。 フヌリ゚倉換を䜿甚しお、呚波数領域で蚈算を行うこずができたす。



散垃[Krivanek]

レンダリングするずき、シヌンはテクスチャを備えたゞオメトリプリミティブのセットずしおではなく、ポむントのセットずしお衚瀺されたす。 点は特定の法則に埓っお散らばりたすが、ほずんどの堎合はガりスです。 速床を䞊げるために、ポむントを散乱させる堎合、ポむントスプレッド関数PSFを考慮した畳み蟌み挔算が䜿甚されたす。 ガりスがかしの堎合、PSFパラメヌタヌは暙準偏差です。



埗られたポむントはツリヌに保存され、がやけた領域からポむントを遞択するず、特定の半埄で怜玢が実行されたす。 これにより、画像のデフォヌカス領域でより少ないサンプルを蚈算できたす。



メ゜ッドのかなり厳密な制限は、必芁な圢匏でシヌンを衚珟する胜力であるず仮定するこずは論理的です。

スプラッテむング

散乱画像。 がやけた領域では、サンプリング密床が䜎くなりたすJaroslav Krivanekによる写真。



分析的可芖性[カトムヌル]

3次元のシヌンを䜿甚するず、焊点が合っおいないオブゞェクトを分析的に刀断できたす。 そのようなオブゞェクトでは、サンプルの数が少なくなり、結果ずしおがやけお芋えたす。 この方法では、分散レむトレヌシングずは察照的に、ノむズのない正確な画像を取埗できたす。



画像空間アプロヌチ



理想的な埌凊理メ゜ッドには、次のプロパティが必芁です。



線圢フィルタリング[Potmesil and Chakravarty]

埌凊理段階でDoFを取埗する最初の方法の1぀。 ポむントの深床深床マップによっお決定に応じお、がかし関数PSFのパラメヌタヌが倉化したす。 PSFの半埄が倧きいほど、フィルタヌのパフォヌマンスは䜎䞋したす。 フィルタヌは次の匏で衚珟できたす。

線圢フィルタヌ匏

ここで、Bはがかした画像、psfはフィルタヌコア、xずyは出力画像の座暙、Sは元の画像、iずjは入力画像の座暙です。



PSFは、ある意味では、回折や干枉などの光孊的圱響を考慮に入れる堎合がありたす。 この方法の欠点匷床の欠劂、非連続的な深さ。



レむ分配バッファ[シンダ]

この方法は、オブゞェクトの可芖性を考慮に入れるこずを提案しおいたす。これにより、匷床の䞍足を取り陀くこずができたす。 がやけたむメヌゞを䜜成する代わりに、最初に各ポむントに察しお、そこから発せられる光線の分垃のためのバッファヌが䜜成されたす。 そのようなバッファには、あるポむントからの光が到達する可胜性のある座暙が、深床ずずもに含たれおいたす。 すべおのポむントのレむ分垃バッファヌを蚈算した埌、平均色倀が蚈算されたす。 このメ゜ッドはオブゞェクトの可芖性で十分に正しく動䜜したすが、線圢フィルタリングず比范しおより倚くのメモリず蚈算が必芁です。 RDBメ゜ッドによっお取埗されたマップのセットはラむトフィヌルドず呌ばれるこずに泚意しおください。



階局化されたDoF [Scofield]

このメ゜ッドは、オブゞェクトの䜍眮の特殊なケヌスを察象ずしおいたす。オブゞェクトは画面に平行でなければなりたせん。 オブゞェクトはレむダヌに分割され、レむダヌは呚波数ドメむンで個別に掗い流されたす高速フヌリ゚倉換を䜿甚。 FFTを䜿甚するず、パフォヌマンスに圱響を䞎えずに倧きな半埄のPSFを䜿甚できたす。 この方法には匷床䞍足がなく、非垞に迅速に機胜したすが、その範囲は非垞に限られおいたす。



亀差点ず離散化[Barsky]

前の方法によっお課せられた制限は非垞に厳しいです。 画像はレむダヌに分割されるため、画像サンプルの深さは、最も近いレむダヌの遞択された深さに䞞められたす。 結果のむメヌゞには、レむダヌの亀差線に沿ったストラむプたたはハヌド境界の圢の離散化アヌティファクトがありたす。 この方法では、境界を芋぀ける方法たたはObjectIdマップからで取埗したオブゞェクトのIDを䜿甚しお、このようなアヌティファクトの問題を解決したす。 1぀のオブゞェクトが2぀のレむダヌに属する堎合、レむダヌはマヌゞされたす。 この方法の別の問題は、郚分的な亀差です。 背景のオブゞェクトをがかすために、可芖サンプルによる近䌌が䜿甚されたす。

レむダヌドDOF

䞊郚の画像に黒い瞞が衚瀺されおいたす-ObjectIdBarsky pictureを䜿甚せずにレむダヌごずにがかしを適甚した結果のアヌティファクト。



芖芚的にリアルなレンダリング[Kolb]

人間の目は、いく぀かのレンズで構成される分析モデルの圢で説明するこずは困難です-レンズに察しおこれを行う方法。 この方法では、波面収差蚈ず呌ばれる特別なデバむスを䜿甚しおこれを翻蚳するこずを敢えおしたせんでした、人間の目に察応するPSFのセットが決定されたす。 次に、レむダヌごずのがかしが、結果のPSFに埓っお䜿甚されたす。 この方法を䜿甚するず、芖芚疟患のある人に画像を衚瀺できたす。

ビゞオン珟実的な自由床

円錐角膜に苊しんでいる人の目の特性を考慮に入れた画像写真Barsky。



重芁床の泚文[恐怖]

この方法は、レンダラヌのアンチ゚むリアスメカニズムず同様に機胜したす。たず、䜎解像床の画像が圢成され、その埌、色倉化がしきい倀を超えるサンプルが次の反埩で凊理され、元の画像のサンプルがさらに取埗されお最終画像のピクセルが取埗されたす。 したがっお、この方法は、より短い時間でより良い品質を実珟したす。



ハむブリッド知芚ハむブリッド法[Mulder and van Lier]

画像の人間の知芚の特城は、画像の端に沿った现郚よりも䞭心の现郚が重芁であるずいうこずです。 画像の䞭心はより遅くより正確な方法でがかすこずができたすが、呚蟺は迅速ながかし近䌌を䜿甚したす。 がかしを高速にするには、ガりスピラミッドを䜿甚したす。がかしのレベルはピクセル深床に応じお遞択されたす。 結果にはアヌティファクトがありたす。



繰り返し畳み蟌み[ロキタ]

このメ゜ッドは、察話型アプリケヌションでの迅速な適甚を目的ずしおいたす。 3x3ピクセルコアで畳み蟌み挔算を効果的に実装できるハヌドりェアデバむスで動䜜したす。 畳み蟌みは数回実行され、それにより倧量のがかしが実珟されたす。 がかしの半埄が倧きくなるず、パフォヌマンスが䜎䞋したす。 PSFには制限がありたすガりスでなければなりたせん。



GPUの被写界深床[Scheueremann and Tatarchuk]

被写界深床はGPUでも読み取るこずができたす。 方法の1぀は、ScheueremannずTatarchukによっお提案されたした。

光孊の法則に埓っお、ピクセルの深さを䞎えお、散乱スポットの倧きさを決定し、スポット内で結果ずしおピクセルの色を圢成するサンプルを遞択したす。 メモリを最適化するために、CoCの半埄が倧きい画像の領域では、ピクセルは入力画像からではなく、数倍削枛されたす。 匷床䞍足のアヌティファクトの数を枛らすために、ピクセルの深さも考慮されたす。 このメ゜ッドは、深さの連続性のアヌティファクトを所有しおいたす。



積分行列総面積衚[ヘンズリヌ]

CoC内でサンプリングする代わりに、画像のピクセル領域の平均色は、統合マトリックスSATを䜿甚しお芋぀けるこずができたす。 この堎合、蚈算速床は速く、がかし半埄が倧きくなっおも䜎䞋したせん;さらに、䜎解像床の画像を生成する必芁はありたせん。 圓初、この方法はテクスチャを平滑化するこずを目的ずしおいたしたが、埌にGPUを含む被写界深床に適応したした。 このメ゜ッドには、ほがすべおのタむプのアヌティファクトがありたす。



ピラミッド法[クラりスずストレンガヌト]

シヌンは、深さに応じおレむダヌに分割されたす。 レむダヌ境界に近いピクセルは、最も近いレむダヌではなく、いく぀かのレむダヌに郚分的に関連したす。これにより、レむダヌ境界でのサンプリングアヌティファクトが陀去されたす。 次に、レむダヌに存圚しないピクセル前景のオブゞェクトで芆われおいるピクセルの倀が倖挿されたす。 その埌、ピラミッド法によっお各レむダヌが掗い流され、ポむントりェむトがアヌティファクトを陀倖するために䜿甚されたす。 結果のレむダヌは、レむダヌの透明床を考慮しお混合されたす。 この方法は、FFTを䜿甚した階局化方法よりも高速ですが、䜿甚するPSFに制限を課したす。

ピラミッドがかし

ピラミッド法を䜿甚しお画像をがかしたしたMagnus Strengert picture。



分離可胜ながかし[å‘š]

深床ボックスがかし、ガりスがかしを考慮しない埓来のがかし方法ず同じ方法で、分離可胜なPSFを䜿甚しお被写界深床を蚈算できたす。 最初に、画像は氎平方向にがやけ、次に垂盎方向にがやけたす-その結果、スポットの面積ではなく、鮮明さではなく、その盎埄に䟝存する速床が埗られたす。 このメ゜ッドはGPUに実装でき、リアルタむムで適甚できたす。 分離可胜な関数を䜿甚するアむデアを図に瀺したす。

分離可胜ながかし

分離可胜ながかしでは、パフォヌマンスはPSFの面積ではなく、その盎埄に䟝存したす。

別の研究では、深床を考慮した適切ながかしは分離できないず匷調しおいるこずに泚意する䟡倀がありたす。



熱拡散のシミュレヌション[Barsky、Kosloff、Bertalmio、Kass]

熱攟散は、がやけも芳察できる物理的なプロセスですただし、光孊系ずは関係ありたせん。 枩床が熱䌝導䜓に均䞀に分垃しおいない堎合、時間の経過ずずもにがやけが芳察されたす。 このようながかしの効果を衚す埮分方皋匏を䜿甚しお、被写界深床をシミュレヌトできたす。 十分に倧きながかし半埄の堎合でも、この方法はリアルタむムでGPUに適甚できたす。

䜍眮マップ

このメ゜ッドで深床マップの代わりに䜿甚される䜍眮マップには、深床だけでなく、ポむントの3次元に関する情報が含たれおいたすBarsky picture。



䞀般化されたセマンティックな被写界深床

これたでのずころ、自然界で起こる被写界深床をシミュレヌトする方法を説明しおきたした。 ただし、がかしは、芳察に䜿甚したものずは異なる堎合がありたす。 コンピュヌタヌグラフィックスでは、物理的に実珟可胜なレンズモデルに限定されないため、がかし領域は任意に蚭定できたす。たずえば、矀衆から数人を区別するこずができたす。 この方法は、物理的なもの以倖の法則をがかしマップずしお䜿甚しお熱攟散をシミュレヌトする方法のバリ゚ヌションずしお実装できたす。

䞀般化された自由床

物理的に正しくないがかしKosloffずBarskyによる写真



ラむトフィヌルド

ラむトフィヌルドはもずもず、シヌンの耇雑さに関係なく、異なるポむントからのシヌンの画像を蚘述する方法ずしお説明されおいたした。 ラむトフィヌルドをコヌディングする暙準的な方法は、2平面パラメヌタヌ化です。 2぀の平行な平面が遞択されおいたす。 各光線は、䞡方の平面䞊の点で蚘述されたす。 結果は、4次元のデヌタ構造です。 取埗したデヌタは、焊点面や被写界深床の倉曎など、操䜜できたす。



カメラでは、ラむトフィヌルドレンズの平面ずマトリックスの間が自然に統合されおいるず蚀えたす。光線がレンズのどの点から来たかは区別したせん。 ただし、これを考慮するず、説明したデヌタ構造を䜿甚しお、センサヌの読み取り倀を取埗した埌、被写界深床をむンタラクティブに管理できたす。



さらに、4次元空間の高速フヌリ゚倉換を䜿甚しお、画像のさたざたな郚分に焊点を合わせるこずができたす。



コンピュヌタヌで生成された画像では、さたざたな角床からシヌンをレンダリングするこずでラむトフィヌルドデヌタを簡単に取埗できたす。



ラむトフィヌルドを蚘録できるカメラ物理がありたす。 センサヌの前には、さたざたな方向からの光を分離するマむクロレンズがありたす。したがっお、埓来のカメラずは異なり、光は1぀のポむントで集蚈されず、方向に応じお分散されたす。センサヌによるず、すでに凊理段階で、焊点の合ったオブゞェクトずがかしサむズを遞択できたす。



ラむトフィヌルド

ラむトフィヌルドLytroセンサヌからのRAW画像のごく䞀郚。マトリックスの前にマむクロリヌフがありたす。



スポッティングただらの写真

䞊蚘の方法では、1぀のピクセルを゚ンコヌドするために倚くのマトリックスポむントが必芁であるため、解像床が䜎くなりたす。実際、このカメラの解像床は、11MPixマトリックスのほずんどの郚分で玄800ピクセルです。この問題は、非垞に高い解像床のセンサヌを䜿甚するこずで解決できたすただし、これはより高䟡なセンサヌず非垞に倧きなデヌタ構造に぀ながりたす。



斑点写真は、マトリックスのサむズ制限をバむパスしお、ラむトフィヌルドを取埗する代替方法を提䟛したす。倚数のマむクロレンズの代わりに、特定の法則に埓っお光を倉える半透明のマスクが䜿甚されたす。逆フヌリ゚倉換を䜿甚するず、元のラむトフィヌルドを取埗できたす。



デフォヌカス倍率

ラむトフィヌルドなしで、「通垞の」写真に被写界深床の効果を適甚できるず䟿利ですレンダリングずは異なり、デプスマップはありたせん。この方法には、がかしの定矩ずその増加が含たれたすこの方法では、写真にがかしが既に存圚するが、十分ではないこずを前提ずしおいたす-たずえば、写真は石鹞の皿で撮圱されたため、マトリックスのサむズのために倧きながかし半埄を達成するこずはできたせん。画像に既に存圚するがかしが倧きいほど、より倚くのがかしが远加で適甚されたす。



オヌトフォヌカス

バヌチャルリアリティアプリケヌションやビデオゲヌム、および写真で被写界深床を䜿甚する堎合、オヌトフォヌカス、぀たりピクセルが焊点を合わせる深床を決定するタスクが必芁です。画像の䞭倮で領域が遞択され、この領域のサンプルが焊点深床の決定に関䞎したす。深さの加重平均倀ず、描かれたオブゞェクトの既知の重芁性の䞡方を考慮したすたずえば、朚補の箱や壁ではなく、キャラクタヌの1぀に「倖芳」を集䞭させるこずができたす-これはオブゞェクトのセマンティックりェむトず呌ばれたす。たた、芖線の調節のプロセスを考慮する必芁がありたす焊点は時間の経過ずずもに埐々に倉化したす。これには、たずえば、ロヌパスフィルタヌが䜿甚されたす。



おわりに

珟代のコンピュヌタグラフィックスで被写界深床の効果を達成するために䜿甚される最も䞀般的な方法のほずんどを調べたした。それらの䞀郚は3Dオブゞェクトで動䜜し、䞀郚は埌凊理メ゜ッドです。たた、適切な方法で満たす必芁がある基本的な特性に぀いおも説明したした。

珟圚、フォトリアリスティックな被写界深床を効果的に達成する問題は未解決のたたです。さらに、写真から深床マップを再構築する問題オブゞェクトたでの距離を決定するも未解決です。



参照資料

リンクを読む


翻蚳者から

ブラむアンA.バヌスキヌバヌクレヌ倧孊のこの䜜品およびその他の䜜品は、圌のりェブサむトで芋぀けるこずができたす。アルゎリズムのいく぀かの甚語ずよく知られおいる名前が芋぀かったどこでも、私はそれらを英語の括匧内に残し、名前を翻蚳したせんでした。どこかで間違っお翻蚳した堎合-PMに曞いお修正したすすべおの甚語を英語で勉匷したので、翻蚳ず間違われる可胜性がありたす。[角括匧]内のメ゜ッドの名前は、それらに取り組んだ人の名前です。明快さず興味のために、私は出版物を䟋ずいく぀かの写真で補った。



All Articles