基于GPU加速的光子映射渲染算法研究与实现

摘要

基于物理渲染的光线追踪能够产生比其他方法更高质量的图像。然而，追踪所有光子路径的计算开销是巨大的;对于复杂场景的高质量图像渲染，可能需花费几个小时，而使用图形处理器(GPU)来加速渲染进程是一种很好的选择。随着统一计算设备架构(CUDA)和OptiX渲染引擎的出现，让GPU的并行加速渲染成为研究热点。
　　本文基于GPU加速的光子映射渲染研究分为关联的两个部分。
　　第一部分，研究了基于GPU的光子映射实现。首先，介绍了全局照明的三种实现方法，包括对光子映射算法的叙述。然后，着重讨论了光子映射中排序网格和随机散列这两种算法的实现，它们都可在GPU中实现。最后，分析了上述两种算法在GPU中实现时的光子映射性能。
　　第二部分，研究了基于CUDA的渐进式光子映射并行实现。首先，描述了渐进性光子映射算法，并对算法进行了改进，以便于其在CUDA架构和多GPU中运行。其次，提出了分布式GPU渲染结构和分布式渐进光子映射，从而实现了基于CUDA的渐进式光子映射并行渲染。最后，分析了在分布式GPU中执行上述算法时的渲染性能。
　　研究结果表明，使用排序网格和随机散列进行渲染的光子映射性能相仿。但排序网格中72％的构建时间都用于光子的排序，随着GPU排序能力的增加，排序网格将更适合于基于GPU的光子映射实现。而采用分布式系统中6个GPU进行渲染，经过1000次迭代，加速比提高到5.7，得到接近线性的加速。

目录

摘要

1 绪论

1．1 研究背景和意义

1．2 研究现状

1．3 研究内容和论文组织

2 全局照明

2．1 全局照明模型概述

2．1．1 光线跟踪算法

2．1．2 辐射度算法

2．1．3 光子映射

2．2 光能渲染方程

2．2．1 光能传输方程

2．2．2 渲染方程式

2．3 光线追踪

2．3．1 蒙托卡罗光线追踪

2．3．2 分布式光线跟踪

2．3．3 路径跟踪

2．4 辐射度

2．4．1 辐射通量

2．4．2 辐射入射和出射度

2．4．3 辐射率

2．5 光子映射

2．5．1 光子映射算法描述

2．5．2 辐射度估计

2．6 渐进性光子映射

2．6．1 估计途径

2．6．2 算法改进

2．6．3 无记忆渐进式光子映射

2．7 参与介质

2．7．1 辐射传输方程

2．7．2 体积光子映射

2．7．3 光束的辐射度估计

2．8 本章小结

3 CUDA并行框架的实现

3．1 GPU简介

3．2 CUDA并行计算框架

3．2．1 CUDA基本组成

3．2．2 GPU的线程层次结构

3．2．3 OptiX光线追踪引擎

3．3 相对渲染器

3．4 本章小结

4 渲染算法的实现

4．1 光子映射算法的实现

4．1．1 排序网格

4．1．2 随机散列

4．2 渲染介质实现

4．3 基于CUDA并行渲染实现

4．3．1 分布式GPU渲染结构

4．3．2 分布式渐进光子映射

4．3．3 交叉任务动态负载平衡

4．4 本章小结

5 结果与分析

5．1 光子映射性能

5．1．1 渲染场景

5．1．2 渲染结果

5．1．3 性能分析

5．1．4 小结

5．2 分布式GPU渲染性能

5．2．1 渲染场景

5．2．1 单GPU渲染性能

5．2．2 多GPU渲染性能

5．2．3 分布式GPU

5．3 本章小结

6 结论和展望

6．1 结论

6．2 展望

参考文献

致谢

攻读硕士学位期间发表的论文和参加的科研工作

声明