Efficient and Effective Volume Visualization with Enhanced Isosurface Rendering
与全体渲染绘制相比,等值面绘制在效率和准确性方面具有公认的优势。然而,标准等值面绘制在有效性上有一些局限性。首先,它使用单调着色的方法,并且只能可视化等值面的几何特征。这种方法在应用中的一个很大局限是不能很好地描述等值面背后的材料性质和内部结构。等值面绘制的另一个限制是难以揭示隐藏在一个或多个等值面中的物理上有意义的结构。因此,利用等值面绘制技术不能有效地实现感兴趣结构的提取和重组等应用需求。在这项工作中,我们开发了一种增强的等值面绘制技术,以提高效率,同时保持标准等值面绘制的性能效率。首先,提出了一种等值面颜色增强方法来说明邻域密度和揭示一些内部结构。其次,我们扩展了等值面绘制的结构提取能力,使明确的场景探索在一个3D视图,使用表面剥离,体素选择,等值面分割,和多表面结构可视化。实验结果表明,颜色增强不仅提高了渲染的视觉逼真度,而且在不显著增加计算成本的情况下,揭示了内部结构。显式场景探索也被证明是一个强大的工具,在一些应用场景,如显示多个腹部器官。
2012-02-24 cs.GR
Transfer Function Optimization for Comparative Volume Rendering
针对对比体绘制中传递函数选择影响结果比较的问题,提出自动优化传递函数的技术,给出基于体素和可微体绘制的两种方案及残差可视化方法,助力判断可视化差异来源。
2023-06-09 cs.GR
Real-Time Denoising of Volumetric Path Tracing for Direct Volume Rendering
使用体积路径追踪(VPT)的直接体渲染(DVR)是一种科学可视化技术,其使用基于物理的照明模型来模拟光与对象物质的传输。蒙特卡罗(MC)路径追踪通常用于表面模型,但由于在没有或光滑材料边界的体积介质中集成MC光路的复杂性,其在体积模型中的应用是困难的。此外,为体积产生的辅助几何缓冲区(G缓冲区)通常非常嘈杂,无法引导依赖于该信息的图像去噪器来保留图像细节。这使得现有实时的【形】去噪器(其将无噪声G缓冲区作为其输入)在对VPT图像进行去噪时效率较低。我们提出了必要的修改,以前使用的基于图像的降噪渲染表面模型时,并证明有效的VPT图像去噪。特别是,我们的去噪利用了帧之间的时间相干性,而不依赖于无噪声的G缓冲区,这是现有表面模型去噪器的常见假设。我们的技术保留高频细节,通过加权递归最小二乘法处理异构噪声的体积模型。我们表明,对于各种真实数据集,我们的方法提高了视觉保真度和时间稳定性的VPT在经典的DVR操作,如摄像机的运动,修改的光源,和版本的体积传递函数。
2021-06-15 cs.GR
Deep Direct Volume Rendering: Learning Visual Feature Mappings From Exemplary Images
Technical University of Munich(慕尼黑工业大学)
体渲染是三维标量数据网格可视化的重要技术,通常用于科学和医学图像数据。直接体渲染(DVR)是一种成熟的高效体数据绘制算法。神经渲染使用深度神经网络来解决逆渲染任务,并应用类似于DVR的技术。然而,它还没有被成功地证明为科学体数据的渲染。在这项工作中,我们介绍了深度直接体渲染(DeepDVR),DVR的推广,允许深度神经网络集成到DVR算法。我们在潜在的颜色空间中概念化渲染,从而能够使用深度架构来学习用于特征提取和分类的隐式映射,取代显式特征设计和手工制作的传递函数。我们的推广服务,以获得新的体渲染架构,可以直接从图像空间中的例子端到端训练,避免了需要手动定义和微调多维传递函数,同时提供卓越的分类强度。我们进一步引入了一种新的步长退火方案来加速DeepDVR模型的训练,并在一组实验中验证了其有效性。我们在两个示例用例上验证了我们的架构:(1)从单个体积的手动调整参考图像中学习优化渲染,以及(2)学习高级可视化概念,如着色和语义着色,这些概念可以推广到不可见的体积数据。我们发现,具有DVR管道显式建模的深度体渲染架构有效地支持从目标图像中端到端学习科学体渲染任务。
2021-06-09 cs.GR cs.LG
Antara: An Interactive 3D Volume Rendering and Visualization Framework
3D可视化的目标是为用户提供一个直观的界面,使他能够以交互的方式探索3D数据。勘探的目的是识别和分析异常或证明可视化有机结构的非异常。对于3D医疗数据,已使用磁共振图像(MRI)。为了创建3D模型,我们使用了直接体渲染技术。在输入的3D数据中,我们有$x, y$和$z$坐标以及每个体素的强度值。3D数据由体积射线投射用于从3D体积数据集计算2D投影。在光线投射中,使光线穿过体数据。每个体素与该射线的交互用于为体积中的每个体素分配RGB和alpha值。因此,我们能够使用3D数据生成感兴趣区域的3D模型。3D模型是交互式的,因此使我们能够通过调整传递函数来可视化3D体积的不同层。
2018-12-11 cs.GR
Volumetric Inverse Rendering via Neural Radiative Transfer
Max-Planck-Institut für Informatik(马克斯·普朗克计算机科学研究所);University College London(伦敦大学学院)
研究体积逆渲染问题,提出结合物理光传输与神经优化的方法,将介质光学属性和光场表示为神经场并联合优化,可从多视图图像重建相关参数,还能支持学习参与介质生成模型。
2026-07-16 cs.GR
Volume Encoding Gaussians: Transfer Function-Agnostic 3D Gaussians for Volume Rendering
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Utah State University(犹他州立大学);Luminary Cloud;Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
提出体积编码高斯方法,通过无转移函数依赖的3D高斯表示实现高效体积渲染,优于现有方法并节省资源。
2026-01-12 cs.GR
Deep Learning based Super-Resolution for Medical Volume Visualization with Direct Volume Rendering
University of Central Florida(中佛罗里达大学)
现代显示系统需要高质量的渲染。然而,以更高的分辨率渲染需要大量的数据样本并且在计算上昂贵。基于深度学习的图像和视频超分辨率技术的最新进展促使我们研究这种网络,以将以较低分辨率渲染的帧高保真度提升到更高分辨率。虽然我们的工作主要集中在超分辨率的医学体可视化与直接体渲染,它也适用于体可视化与其他渲染技术。我们提出了一种基于学习的技术,我们提出的系统使用颜色信息以及从我们的体积渲染器收集的其他补充功能,以学习有效的提升低分辨率渲染到更高分辨率的空间。此外,为了提高时间稳定性,我们还实现了时间重投影技术,积累历史样本的体积绘制。
2022-10-14 cs.CV cs.GR cs.LG
Residency Octree: A Hybrid Approach for Scalable Web-Based Multi-Volume Rendering
本研究提出基于新型驻留八叉树的混合多体绘制方法,解耦缓存驻留与空间细分,兼具八叉树与页表优势,还实现了基于WebGPU和WebAssembly的纯客户端Web渲染器,性能优于现有方法。
2023-09-08 cs.GR
Interactive volume illumination of slice-based ray casting
体渲染在医学成像和工业设计领域一直扮演着重要的角色。近年来,基于全局光照的真实感交互式体渲染可以提高体数据集的形状和深度感知能力。本文提出了一种新的基于切片的光线投射方法,用于实现体照明效果,如体阴影和其他散射效果。这得益于光源视角下整个几何切片的基于切片的照明衰减缓冲区以及光线投射中每个样本的高效阴影或散射系数计算。实验表明,与光线投射体渲染中的局部体照明或其他类似的基于切片的全局体照明相比,该方法可以获得更好的体照明效果和更高的可扩展性。
2020-08-13 cs.GR
Efficient Raycasting of Volumetric Depth Images for Remote Visualization of Large Volumes at High Frame Rates
提出一种高效的VDI光线投射算法,利用透视投影和空间平滑性优化远程大体量可视化的渲染性能,实现HD分辨率下的高帧率交互,并提供预览渲染子采样方法。
2023-07-27 cs.GR
A Generative Model for Volume Rendering
University of Arizona(亚利桑那大学)
我们提出了一种技术来合成和分析体绘制图像使用生成模型。我们使用生成对抗网络(GAN)框架从大量体渲染中计算模型,条件是(1)视点和(2)不透明度和颜色的传递函数。我们的方法有利于任务的体积分析,是具有挑战性的,以实现使用现有的渲染技术,如光线投射或基于纹理的方法。我们展示了如何通过量化输出图像中的预期变化来指导用户进行传递函数编辑。此外,生成模型将传递函数转换为专门设计用于合成体绘制图像的视图不变潜在空间。我们直接使用这个空间进行渲染,使用户能够探索体渲染图像的空间。由于我们的模型是独立的体渲染过程的选择,我们展示了如何分析体绘制图像产生的直接和全局光照,各种体积数据集。
2019-07-16 cs.CV cs.GR
Realistic Volume Rendering with Environment-Synced Illumination in Mixed Reality
本文提出一种混合现实中环境同步照明的真实感体绘制框架,通过高效照明估计和时空去噪算法,提升直接体绘制的视觉质量与交互效率,实验证明优于现有MR方案。
2023-09-05 cs.GR
GPU Volume Rendering with Hierarchical Compression Using VDB
本文提出利用OpenVDB和NanoVDB对大规模体数据进行分层压缩与即时解压,实现快速、低内存的GPU体渲染,并可直接替代现有3D纹理渲染方案。
2025-04-10 cs.DC cs.GR
Machine Learning-Driven Volumetric Cloud Rendering: Procedural Shader Optimization and Dynamic Lighting in Unreal Engine for Realistic Atmospheric Simulation
本研究针对计算机图形学中实时体云渲染问题,在虚幻引擎中开发专用着色器,结合光线投射光照算法与双层程序化噪声模型,实现无2D天气纹理的程序化天空配置,渲染耗时35ms/帧且云真实感较传统2D技术提升15%,推进真实大气模拟。
2025-02-12 cs.GR
Volume Rendering Digest (for NeRF)
Google Research(谷歌研究院);Simon Fraser University(西蒙弗雷泽大学)
神经辐射场采用简单的体渲染,通过利用可见性的概率概念来克服通过射线-三角形相交进行区分的挑战。这是通过假设场景由密度在空间中变化的发光粒子云组成来实现的。本技术报告总结了可区分体渲染的推导。它是以前报告的浓缩版,但在NeRF的上下文中进行了重写,并采用了其常用的符号。
2022-08-29 cs.CV cs.GR
Direct Volume Rendering with Nonparametric Models of Uncertainty
我们提出了一个非参数统计框架的量化,分析和传播的数据不确定性直接体渲染(DVR)。最先进的统计DVR框架允许在可视化不确定数据时保留地面真值函数的传递函数(TF);然而,现有的框架仅限于不确定性的参数模型。在本文中,我们解决了现有的DVR框架的局限性,通过扩展DVR框架的非参数分布。我们利用分位数插值技术来获得概率分布表示不确定性的观察光线样本强度在封闭的形式,这使得准确和有效的计算。我们评估我们提出的非参数统计模型,通过定性和定量的平均场和参数统计模型,如均匀和高斯,以及高斯混合物的比较。此外,我们提出了一个扩展的国家的最先进的渲染参数框架,以2D TF的DVR分类改进。我们展示了我们的不确定性量化框架对标量场数据集的集合、下采样和双变量版本的适用性。
2020-08-31 cs.GR
Homomorphic-Encrypted Volume Rendering
计算要求高的任务通常在专用数据中心进行计算,实时可视化也遵循这一趋势。但是,某些渲染任务需要最高级别的机密性,以便除所有者外,任何其他方都无法读取或查看敏感数据。在这里,我们提出了一个直接的体渲染的方法,执行体渲染直接加密体数据上使用同态Paillier加密算法。这种方法确保体数据和渲染图像对于渲染服务器是不可解释的。我们的体渲染管道引入了新的方法,用于加密数据合成,插值和不透明度调制,以及简单的传递函数设计,其中每个例程都保持最高级别的隐私。我们提出的性能和内存开销分析,是与我们的隐私保护计划。我们的方法是开放和安全的设计,而不是通过默默无闻的安全。数据的所有者只需要对他们的安全密钥保密,以保证他们的体积数据和渲染图像的隐私。据我们所知,我们的工作是第一个隐私保护的远程体绘制方法,不需要任何服务器是值得信赖的;即使在服务器被泄露的情况下,也不会有敏感数据泄露给外国。
2020-10-15 cs.CR cs.GR
The physics of volume rendering
辐射传输是许多物理学科的重要课题,在天体物理学中可能最为突出。计算机科学家使用辐射转移等方法,通过直接体绘制对复杂数据集进行可视化。在本文中,我指出了物理辐射传输和体绘制之间的联系,我描述了直接体绘制的天体物理辐射传输程序RADMC-3D的实现。我展示了在分析模型和模拟数据上使用该模块的示例。
2014-10-22 astro-ph.IM cs.GR physics.ed-ph
Volume Rendering of Human Hand Anatomy
Cedars-Sinai Hospital(西达赛奈医疗中心)
针对人体手部MRI数据集体绘制的挑战,本文提出基于器官分割的传递函数设计方法,生成高质量手部体绘制图像并支持组织外观精细控制,在五个手部运动序列上验证了其比标准技术更优的解剖结构可视化效果。
2024-11-14 cs.CV cs.GR
Real-time Rendering with a Neural Irradiance Volume
Huawei Technologies(华为技术);Graz University of Technology(格拉茨工业大学)
本文提出神经辐照度体积(NIV)技术,通过紧凑模型实现高精度实时 diffuse 全局光照渲染,提升质量并降低内存消耗。
2026-02-13 cs.GR
Rendering Large Volume Datasets in Unreal Engine 5: A Survey
本文综述了在虚幻引擎5中渲染大规模体数据集的多种方法,重点提出基于稀疏体积纹理的异质体积方案,通过修复int32溢出问题实现高达32k x 32k x 16k体素的稀疏数据渲染,并展望核心外渲染以突破VRAM和API限制。
2025-04-10 cs.GR
FoVolNet: Fast Volume Rendering using Foveated Deep Neural Networks
University of California at Davis(加州大学戴维斯分校)
体数据在许多重要的科学和工程应用中被发现。即使使用专业级硬件,以高质量和交互速率为诸如虚拟现实之类的要求苛刻的应用渲染这些数据以进行可视化仍然是不容易实现的。我们介绍FoVolNet -一种显着提高体数据可视化性能的方法。我们开发了一个具有成本效益的中央凹渲染管道,稀疏采样的体积周围的焦点和重建的全帧使用深神经网络。中心凹渲染是一种围绕用户焦点优先渲染计算的技术。这种方法利用人类视觉系统的特性,从而在用户视野的外围渲染数据时节省计算资源。我们的重建网络结合了直接和内核预测方法,以产生快速,稳定和令人信服的输出。通过超薄设计和量化的使用,我们的方法在端到端帧时间和视觉质量方面都优于最先进的神经重建技术。我们进行了广泛的评估系统的渲染性能,推理速度和感知特性,我们提供了竞争的神经图像重建技术的比较。我们的测试结果表明,FoVolNet一贯实现显着节省时间比传统的渲染,同时保持感知质量。
2022-09-20 cs.GR cs.LG
Comparing Hierarchical Data Structures for Sparse Volume Rendering with Empty Space Skipping
空空间跳过可以利用诸如k-d树和包围体层次结构之类的分层数据结构来有效地实现。本文比较了几个最近发表的层次数据结构的建设和渲染性能。形成我们先前工作的论文主要集中在交互式地构建数据结构上,并且仅表明渲染性能优于使用简单加速数据结构,例如具有宏单元的均匀网格。在表面光线追踪领域,存在分层数据结构的构造和绘制性能之间的折衷。在本文中,我们提出了几个空的空间跳过数据结构的性能比较,以确定是否也存在这样的权衡与统一的数据拓扑结构的体渲染。
2019-12-20 cs.DS cs.GR cs.PF
A real-time rendering method for high albedo anisotropic materials with multiple scattering
Lumverse Reserch Institute(Lumverse 研究院);Beijing Lumverse Technology Co., Ltd(北京朗维科技股份有限公司)
针对路径追踪体渲染计算昂贵、难以实时的问题,本文提出神经网络方法,利用3D-CNN、采样模板与注意力机制预测散射分布,在保持质量的同时显著提速并优于既有方法。
2024-01-25 cs.CV cs.GR
User Interface for Volume Rendering in Virtual Reality Environments
体渲染应用程序需要复杂的用户交互来定义和细化传递函数。传统的2D桌面用户界面元素已经被开发来解决这个任务,但是这样的概念不能很好地映射到虚拟现实环境中可用的交互设备。在本文中,我们提出了一个直观的用户界面体渲染专门设计的虚拟现实环境。建议的接口允许传递函数设计和细化的基础上直观的双手操作的魔杖一样的控制器。还支持其他交互模式,如导航和剪裁平面操作。该系统使用Sony PlayStation Move控制器系统实现。此选择基于控制器设备能力以及应用和环境约束。初步结果证明了我们方法的潜力。
2013-02-08 cs.GR cs.HC
Neural Volume Rendering: NeRF And Beyond
Georgia Institute of Technology(佐治亚理工学院);Massachusetts Institute of Technology(麻省理工学院)
除了COVID-19大流行和美国的政治动荡之外,2020年也是神经体渲染爆炸式发展的一年,这是由Mildenhall等人令人印象深刻的NeRF论文引发的。我们两个人都试图捕捉这种兴奋,弗兰克在一篇博客文章中(Dellaert,2020)和Yen-Chen在Github集合中(Yen-Chen,2020)。这篇笔记是相关论文的注释参考书目,我们将相关的bibtex文件发布到了资源库中。
2021-01-14 cs.CV cs.GR
Practical and Robust Stenciled Shadow Volumes for Hardware-Accelerated Rendering
25年前,Crow发表了确定场景中阴影区域的阴影体积方法。十年前,Heidmann描述了一种硬件加速的基于模板缓冲区的阴影体积算法。不幸的是,硬件加速的模板阴影体技术还没有被3D游戏和应用广泛采用,这在很大程度上是由于所描述的技术缺乏鲁棒性。尽管有广泛的硬件支持,这种情况仍然存在。具体来说,一直缺乏的是一种技术,鲁棒地处理各种“硬”的情况下创建的近或远平面剪切的阴影体积。我们描述了一个强大的,无伪影技术的模板阴影体积的硬件加速渲染。假设现有的硬件,我们解决的问题,否则所造成的阴影体积近,远平面裁剪,通过(1)将传统的远裁剪平面“在无限远”,(2)光栅化与无限阴影体积多边形通过齐次坐标,和(3)采用zfail模板测试计划的组合。深度箝位是NVIDIA GeForce 3提供的一种新的光栅化功能,它不需要将远平面放置在无穷远处,从而保持了现有的深度精度。我们还提出了双面模板测试,以提高渲染模板阴影体积的效率。
2003-01-06 cs.CG cs.GR
ENTIRE: Learning-based Volume Rendering Time Prediction
本文提出ENTIRE方法,通过提取体积结构特征和渲染参数,实现快速准确的体积渲染时间预测,并在不同框架和数据集上验证其高效性和适应性。
2026-04-20 cs.CV cs.GR cs.LG
Beyond ExaBricks: GPU Volume Path Tracing of AMR Data
本文针对 AMR 数据在 GPU 体路径追踪中的加速结构瓶颈,分析相机/主光线优化结构在不相干光线下的问题并提出改进策略,以支持含散射和全局光照的高质量科学可视化。
2023-12-02 cs.GR
Accelerating Transfer Function Update for Distance Map based Volume Rendering
针对基于距离图的体绘制在传递函数变化时更新代价高的问题,提出分区距离图,将距离图计算加速最高 30 倍,从而支持频繁交互下的高帧率空区域跳过。
2025-01-08 cs.GR cs.PF
Medical Volume Reconstruction Techniques
医学可视化是利用计算机从医学成像数据集生成三维图像,发达国家几乎所有的外科手术和癌症治疗都依赖于它。体可视化技术包括等值面可视化、网格可视化和点云可视化技术,这些技术给医学带来了革命性的变化。现代医学的大部分依赖于3D成像,其可以使用磁共振成像(MRI)扫描仪、功能性磁共振成像(fMRI)扫描仪、正电子发射断层扫描(PET)扫描仪、超声成像(US)扫描仪、X射线扫描仪、生物标记显微成像扫描仪和计算机断层扫描(CT)扫描仪,这些扫描仪从2D切片制作3D图像。本报告的主要目标是面向应用的优化现有的体渲染方法提供交互式帧速率。技术传统的阿尔法混合渲染,表面阴影显示,最大强度投影(MIP),和快速预览与完全交互式参数控制。针对交互式等值面绘制和快速预览,提出了不同的预处理策略,如著名的Marching Cube算法。
2018-02-21 cs.GR
A Query-Efficient Stochastic Volume Rendering Framework for Time-Varying Implicit Neural Volumes
University of Utah(犹他大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Vanderbilt University(范德堡大学);University of Arizona(亚利桑那大学)
针对时变隐式神经体积渲染的性能挑战,提出基于delta跟踪的查询高效随机体积渲染框架,采用四阶段异构并行流水线,结合光线预算与查询剪枝,在RTX 4090上实现1024×1024分辨率下30-40 FPS及毫秒级时间步更新,支持交互式时变数据探索。
2026-07-31 cs.GR cs.LG
TermiNeRF: Ray Termination Prediction for Efficient Neural Rendering
Imperial College London(帝国理工学院)
使用神经场的体渲染在捕获和合成三维场景的新视图方面显示出了很大的前景。然而,这种类型的方法需要在沿着每个观察光线的多个点处查询体积网络以便渲染图像,从而导致非常慢的渲染时间。在本文中,我们提出了一种方法,克服了这一限制,通过学习直接映射从相机射线沿射线的位置,最有可能影响像素的最终外观。使用这种方法,我们能够渲染,训练和微调体积渲染的神经场模型的数量级比标准的方法更快。与现有方法不同,我们的方法适用于一般卷,并且可以进行端到端的训练。
2021-11-05 cs.CV cs.GR
iVR-GS: Inverse Volume Rendering for Explorable Visualization via Editable 3D Gaussian Splatting
Department of Computer Science and Engineering, University of Notre Dame(计算机科学与工程系,诺特大学)
本文提出iVR-GS,一种基于可编辑3D高斯泼溅的逆体渲染新视角合成方法,通过组合多个模型实现低渲染成本下的交互式体场景探索,在多个数据集上优于现有方法。
2025-04-24 cs.CV cs.GR cs.LG
Gabor Fields: Orientation-Selective Level-of-Detail for Volume Rendering
USI Lugano(USI卢加诺)
Gabor Fields 通过方向选择性混合 Gabor 内核实现连续频率过滤,提升体积渲染性能和效率。
2026-07-20 cs.CV cs.GR
A Novel Image-centric Approach Towards Direct Volume Rendering
传递函数的生成是直接体渲染(DVR)中的一个基本问题. TF将体素映射到颜色和不透明度值以显示内部结构。现有的TF工具是复杂和不直观的用户谁更可能是医疗专业人员比计算机科学家。在本文中,我们提出了一种新的以图像为中心的TF生成方法,而不是复杂的工具,用户直接操纵体积数据生成DVR。通过仅呈现最具信息量的卷切片以供选择,进一步简化了用户的工作。基于所选部分,体素分类使用我们的新的稀疏非参数支持向量机分类器,它结合了局部和近全局分布信息的训练数据。体素类映射到美观和可区分的颜色和不透明度值使用调和颜色。在多个基准数据集上的实验结果和详细的用户调查表明了该方法的有效性。
2017-11-29 cs.GR cs.HC
Efficient Space Skipping and Adaptive Sampling of Unstructured Volumes Using Hardware Accelerated Ray Tracing
基于采样的光线推进是一种有效的非结构网格直接体渲染绘制方法。然而,这样的网格采样仍然是昂贵的,和战略,以减少采样的数量得到了相对较少的关注。在本文中,我们介绍了一种方法来绘制非结构化网格使用的粗空间加速结构和硬件加速光线追踪相结合。我们的方法可以有效的空的空间跳过和非结构化网格的自适应采样,并优于参考射线marcher高达7倍。
2019-08-05 cs.GR
Gaussian Volumetric Representation for Efficient Shear-Warp Visualization
Indraprastha Institute of Information Technology Delhi(德里英迪拉甘地信息技术学院)
研究针对医学图像可视化计算成本高的问题,提出基于高斯的体表示,用蒙特卡罗体估计和课程学习策略优化,能从稀疏监督中学习解剖细节与纹理,降低计算成本,支持高效渲染多模态医学数据集,实现高帧率和高压缩比。
2026-07-29 cs.CV cs.GR
A Distributed GPU-based Framework for real-time 3D Volume Rendering of Large Astronomical Data Cubes
我们提出了一个框架,以交互式体渲染三维数据立方体使用分布式光线投射和体积砖在一个或多个图形处理单元(GPU)和一个多核CPU的工作站集群。该框架的主要设计目标是提供一个核心可视化解决方案,能够提供TB级数据立方体的三维交互式视图。我们使用包含64个节点、总共128个GPU的计算集群测试了所提出的框架。该框架被证明是可扩展的,可以以平均每秒30帧的速度渲染204 GB的数据立方体。我们的性能分析还比较了使用NVIDIA Tesla 1060和2050 GPU架构以及增加可视化输出分辨率对渲染性能的影响。虽然我们最初的重点,并在这项工作中提出的例子,是体绘制的光谱数据立方体从射电天文学,我们认为,我们的方法具有适用性的其他学科接近实时体绘制的TB级的3D数据集是一个要求。
2012-05-01 astro-ph.IM cs.DC cs.GR
GSCache: Real-Time Radiance Caching for Volume Path Tracing using 3D Gaussian Splatting
University of California at Davis(加州大学戴维斯分校);NVIDIA Research(NVIDIA研究);University of Groningen(Groningen大学)
针对路径追踪体渲染中蒙特卡洛积分导致的噪声和慢速问题,提出基于3D高斯溅射的多级路径空间辐射缓存,实现即时训练与动态适应,在不增加成本下提升图像质量。
2025-08-02 cs.GR cs.LG
Adaptive Multi-Resolution Encoding for Interactive Large-Scale Volume Visualization through Functional Approximation
本文提出轻量快速的函数逼近多分辨率表示 Adaptive-FAM 及 GPU 加速外核体可视化框架,通过减少缓存时间和预取提升缓存命中率,在保持渲染质量的同时显著降低输入延迟。
2024-08-30 cs.GR
NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction
The University of Hong Kong(香港大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Texas A&M University(德州农工大学)
我们提出了一种新的神经表面重建方法,称为NeuS,用于从2D图像输入重建高保真的对象和场景。现有的神经表面重建方法,如DVR和IDR,需要前景掩模作为监督,容易陷入局部极小值,因此难以重建具有严重自遮挡或薄结构的对象。与此同时,最近的神经方法,如NeRF及其变种,新的视图合成,使用体渲染,以产生一个神经场景表示与鲁棒性的优化,即使是高度复杂的对象。然而,从这个学习的隐式表示中提取高质量的曲面是困难的,因为在表示中没有足够的曲面约束。在NeuS中,我们提出了一个表面表示为零级集的符号距离函数(SDF)和开发一个新的体渲染方法训练神经SDF表示。我们观察到,传统的体渲染方法会导致固有的几何误差(即偏见)的表面重建,因此提出了一种新的配方,是免费的偏见,在一阶近似,从而导致更准确的表面重建,即使没有掩模监督。在DTU数据集和BlendedMVS数据集上的实验表明,NeuS在高质量的表面重建方面优于现有技术,特别是对于具有复杂结构和自遮挡的物体和场景。
2023-02-01 cs.CV cs.GR
Reference Based Color Transfer for Medical Volume Rendering
University of Central Florida(中佛罗里达大学)
医学成像的好处是巨大的。医学图像提供了大量的解剖信息,这有助于医生进行有效的疾病诊断和决定最佳的医疗过程。从传统的单色医学图像(如CT扫描、X射线或MRI图像)到解剖结构的彩色3D表示的过渡进一步增强了医学专业人员提取有价值的医学信息的能力。我们研究中提出的框架首先通过找到两个医学图像之间的深层语义对应来执行颜色转移:彩色参考图像和单色CT扫描或MRI图像。我们扩展了这种基于参考的彩色化技术的思想,从一堆灰度医学图像中执行彩色体渲染。此外,我们还建议使用一个有效的参考图像推荐系统,以帮助选择好的参考图像。与我们的方法,我们成功地进行彩色医学体可视化,并基本上消除了痛苦的过程中,用户交互的传递函数,以获得颜色和不透明度参数的体渲染。
2022-10-14 cs.CV cs.GR cs.LG
DiffusionShadow: Diffusion-based Shadow Caching for Neural Volume Rendering
University of California, Davis(加州大学戴维斯分校);NVIDIA(英伟达);Argonne National Laboratory(阿贡国家实验室)
提出DiffusionShadow,用单个扩散模型压缩大量预计算阴影INR,实现快速神经体积渲染,避免存储膨胀,阴影质量接近参考。
2026-09-28 cs.GR cs.LG
Statistical Rendering for Visualization of Red Sea Eddy Simulation Data
分析海洋涡旋的影响对于了解能量和地球化学粒子的输运在海洋学中具有重要意义。我们提出了一个应用程序的统计可视化算法的分析红海涡模拟合奏。具体来说,我们展示了统计体渲染和统计莫尔斯复杂的摘要地图的应用程序的速度幅值场研究的涡流位置的流量数据集。在统计体渲染中,我们使用噪声模型(如参数和非参数)对每个体素数据的不确定性进行建模,并研究不确定性在体渲染管道中的传播。在统计莫尔斯复杂的摘要地图,我们推导出直方图特征的梯度流目的地的不确定性,以了解莫尔斯复杂的拓扑变化整个合奏。我们证明了我们的统计可视化的潜在的涡流位置和空间不确定性的有效分析的效用。
2021-06-23 cs.GR physics.ao-ph
Interactive Isogeometric Volume Visualization with Pixel-Accurate Geometry
等几何分析法是近年来发展起来的一种新方法,它为工业中功能产品的设计、分析和优化提供了一种统一的方法。传统的体渲染方法不能直接应用于等几何模型。我们提出了一种新颖的等几何分析结果交互式可视化方法,确保正确的,即,包括其边界表面的体积的像素精确几何形状。整个OpenGL流水线用于多阶段算法,利用表面渲染,阶数无关透明性以及常微分方程的理论和数值方法。我们展示了我们的方法在与工业相关的不同模型上的效率,从几何参数化的质量检查,到线性弹性的应力分析,再到计算流体力学结果的可视化。
2015-05-07 cs.GR
GPU-based Data-parallel Rendering of Large, Unstructured, and Non-convexly Partitioned Data
计算流体动力学模拟通常产生具有非平凡、非凸边界和计算节点之间的不均匀分布的大型有限元集群,这对交互式体渲染期间的合成提出了挑战。由于查看光线跨越多个计算节点的域边界,因此很难对此类集群进行正确的就地可视化。我们提出了一个基于GPU的,可扩展的,内存有效的直接体可视化框架,适用于在原位和事后使用。我们的方法通过利用基于异或的索引缩减方案来减少非结构化卷元素的内存使用,并提供基于快速射线行进的遍历,而不需要在元素本身上构建大型外部数据结构。此外,我们提出了一种GPU优化的深度合成方案,该方案允许正确顺序合成跨不同等级累积的中间颜色值,即使对于非凸簇也有效。我们的方法在大型数据并行系统上扩展良好,并在可视化过程中实现交互式帧速率。我们可以在TACC的Frontera超级计算机上分别使用72和80个GPU以每秒14和10帧的速度交互式渲染Fun 3D小型火星着陆器(14 GB /7.984亿有限元)和巨型火星着陆器(111.57 GB /64亿有限元)数据集。
2022-09-29 cs.GR
Evaluation of cinematic volume rendering open-source and commercial solutions for the exploration of congenital heart data
本文评估了基于 MeVisLab 开源框架的电影级渲染管线中关键参数对先天性心脏病 CT 心脏解剖可视化的影响,并与临床商业工具进行用户问卷对比,验证其在结构定义、深度感知、纹理、真实感及诊断能力上的表现。
2023-08-12 cs.GR cs.HC
AutoInt: Automatic Integration for Fast Neural Volume Rendering
Stanford University(斯坦福大学)
数值积分是科学计算的基础技术,也是许多计算机视觉应用的核心。在这些应用中,神经体渲染最近被提出作为一个新的范例视图合成,实现逼真的图像质量。然而,使这些方法实用的一个根本障碍是极端的计算和内存要求所造成的所需的体积积分沿渲染光线在训练和推理。需要数百万条射线,每条射线需要通过神经网络进行数百次正向传递,以利用蒙特卡罗采样来近似这些积分。在这里,我们提出了自动集成,一个新的框架,学习有效的,封闭形式的解决方案,积分使用基于坐标的神经网络。为了训练,我们实例化对应于网络导数的计算图。将曲线拟合到要积分的信号。优化后,我们重新组合图以获得表示反导数的网络。根据微积分的基本定理,这使得可以在网络的两个评估中计算任何定积分。将这种方法应用于神经渲染,我们改进了渲染速度和图像质量之间的权衡:将渲染时间提高了10倍以上,但图像质量略有下降。
2021-05-23 cs.CV cs.GR cs.LG
Make the Fastest Faster: Importance Mask Synthesis for Interactive Volume Visualization using Reconstruction Neural Networks
University of Nebraska-Lincoln(内布拉斯加大学林肯分校);Argonne National Laboratory(阿贡国家实验室)
提出重要性掩膜学习与合成网络,从视角参数直接合成规则采样的重要区域,联合考虑数据、用户与重建网络,减少像素渲染,提升体可视化延迟且无需重新训练。
2025-10-09 cs.GR cs.HC
NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent Games(腾讯游戏)
针对SDF方法无法重建开曲面的问题,本文提出NeUDF框架,以UDF表示曲面并设计专用权重函数与法线正则化,在多视图重建中显著优于现有方法。
2023-04-20 cs.CV cs.GR
InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering
Seoul National University(首尔大学)
提出了一种基于神经隐式表示的Few-Shot新视图合成的信息论正则化方法。所提出的方法最大限度地减少潜在的重建不一致,发生由于视点不足,通过施加熵约束的密度在每个射线。此外,为了减轻潜在的退化问题时,所有的训练图像几乎是从冗余的观点,我们进一步将空间平滑度约束到估计的图像,通过限制信息增益从一对光线略有不同的观点。我们的算法的主要思想是使重建的场景紧凑沿个别射线和一致的射线在附近。所提出的正则化器可以直接插入到大多数现有的基于NeRF的神经体渲染绘制技术中。尽管它的简单性,我们实现了持续改进的性能相比,现有的神经视图合成方法的大利润率在多个标准的基准。
2022-04-10 cs.CV cs.GR eess.IV
HybridNeRF: Efficient Neural Rendering via Adaptive Volumetric Surfaces
Meta Reality Labs(元宇宙实验室);Carnegie Mellon University(卡内基梅隆大学)
HybridNeRF结合表面渲染与体积渲染的优势,对多数物体用表面建模、对少数困难区域用体积建模,在Eyeful Tower等数据集上将错误率降低15-30%,并在2Kx2K分辨率下实现至少36 FPS的实时渲染。
2024-03-27 cs.CV cs.GR cs.LG