Developing complex, real world graphics applications which leverage multiple GPUs and computers for interactive 3D rendering tasks is a complex task. It requires expertise in distributed systems and parallel rendering in addition to the application domain itself. We present a mature parallel rendering framework which provides a large set of features, algorithms and system integration for a wide range of real-world research and industry applications. Using the Equalizer parallel rendering framework, we show how a wide set of generic algorithms can be integrated in the framework to help application scalability and development in many different domains, highlighting how concrete applications benefit from the diverse aspects and use cases of Equalizer. We present novel parallel rendering algorithms, powerful abstractions for large visualization setups and virtual reality, as well as new experimental results for parallel rendering and data distribution.
基于Pierre L 'Ecuyer及其合作者在Array-RQMC方法和秩1格序列方面的开创性工作,我们引入了有效的确定性图像合成算法。列举一个低差异序列沿希尔伯特曲线叠加在光栅上的像素的图像,我们实现的噪声特性,是理想的人类视觉系统,特别是在非常低的采样率。与现有技术相比,我们的简单算法既不需要随机化,也不需要昂贵的优化,也不需要查找表。我们分析了空间填充曲线和低差异序列的相关性,并在专业的大规模并行光传输模拟和渲染系统中展示了新算法的优势。
DSRGAN: Explicitly Learning Disentangled Representation of Underlying Structure and Rendering for Image Generation without Tuple Supervision
Sun Yat-sen University(中山大学);NUDT(国防科技大学)
我们专注于明确学习自然图像生成的解纠缠表示,其中底层空间结构和结构上的渲染可以分别独立控制,但不使用元组监督。该设置非常重要,因为元组监督成本很高,有时甚至不可用。然而,该任务是高度不受约束的,因此是不适定的。为了解决这个问题,我们建议引入一个辅助域,它与目标域共享一个共同的底层结构空间,我们做了一个部分共享的潜在空间假设。其关键思想是鼓励部分共享的潜变量来表示两个域中相似的潜在空间结构,而两个域特定的潜变量将被可替换地安排来分别呈现两个域的渲染。这是通过设计两个并行的生成网络与一个共同的渐进渲染架构(PRA),这限制了两个生成网络的行为,以模型共享的底层结构和模型之间的空间依赖关系渲染和底层结构。因此,我们提出DSRGAN(GANs for Disentangling Underlying Structure and Rendering)来实例化我们的方法。我们还提出了一个定量标准(归一化解缠)来量化解缠。与最先进的方法的比较表明,DSRGAN可以显着优于他们在解缠。