目录
接下来，就让我们正式进入整个 IBL 的数学原理的旅程。请注意，前方高能！
首先让我们先来完整的复习下整个反射方程（渲染方程）：
L
o
(
p
⃗
,
ω
o
⃗
)
=
∫
Ω
(
k
d
c
π
+
k
s
D
F
G
4
(
ω
o
⃗
⋅
n
⃗
)
(
ω
i
⃗
⋅
n
⃗
)
)
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
其中：
D
=
N
D
F
G
G
X
T
R
(
n
⃗
,
h
⃗
,
α
)
=
α
2
π
(
(
n
⃗
⋅
h
⃗
)
2
(
α
2
−
1
)
+
1
)
2
F
=
F
S
c
h
l
i
c
k
(
h
⃗
,
ω
o
⃗
,
F
0
)
=
F
0
+
(
1
−
F
0
)
(
1
−
(
h
⃗
⋅
ω
o
⃗
)
)
5
G
S
c
h
l
i
c
k
G
G
X
(
n
⃗
,
ω
o
⃗
,
κ
)
=
n
⃗
⋅
ω
o
⃗
(
n
⃗
⋅
ω
o
⃗
)
(
1
−
κ
)
+
κ
κ
d
i
r
e
c
t
=
(
α
+
1
)
2
8
κ
I
B
L
=
α
2
2
G
(
n
⃗
,
ω
o
⃗
,
ω
i
⃗
,
κ
)
=
G
S
c
h
l
i
c
k
G
G
X
(
n
⃗
,
ω
o
⃗
,
κ
)
G
S
c
h
l
i
c
k
G
G
X
(
n
⃗
,
ω
i
⃗
,
κ
)
上列式子中：
α
=
r
o
u
g
h
n
e
s
s
2
r
o
u
g
h
n
e
s
s
∈
[
0.0
,
1.0
]
（粗糙度系数）
h
⃗
=
ω
o
⃗
+
ω
i
⃗
∣
ω
o
⃗
+
ω
i
⃗
∣
即出射方向与入射方向的中间向量
L_o(\vec{p},\vec{\omega_o}) = \int\limits_{\Omega} (k_d \cfrac{c}{\pi} + k_s \cfrac{ D F G }{ 4 (\vec{\omega_o} \cdot \vec{n} )(\vec{\omega_i} \cdot \vec{n})}) L_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} \mathrm{d} \vec{\omega_i} \\[2ex] 其中： \\[2ex] D = NDF_{GGXTR}(\vec{n},\vec{h},\alpha) = \frac{ \alpha^2 }{\pi (( \vec{n} \cdot \vec{h} )^2(\alpha^2 - 1) + 1) ^ 2} \\[2ex] F = F_{Schlick}(\vec{h},\vec{\omega_o},F_0) = F_0 + ( 1 - F_0 )(1 - (\vec{h} \cdot \vec{\omega_o}))^5 \\[2ex] G_{SchlickGGX}(\vec{n},\vec{\omega_o},\kappa) = \frac{\vec{n} \cdot \vec{\omega_o}}{(\vec{n} \cdot \vec{\omega_o})(1-\kappa) + \kappa } \\[2ex] \kappa_{direct} = \frac{(\alpha + 1)^2}{8} \\[2ex] \kappa_{IBL} = \frac{\alpha^2}{2} \\[2ex] G(\vec{n},\vec{\omega_o},\vec{\omega_i},\kappa) = G_{SchlickGGX}(\vec{n},\vec{\omega_o},\kappa) G_{SchlickGGX}(\vec{n},\vec{\omega_i},\kappa) \\[2ex] 上列式子中：\alpha = roughness^2 \qquad roughness \in [ \ 0.0,1.0 \ ] （粗糙度系数） \\[2ex] \vec{h} = \cfrac{ \vec{\omega_o} + \vec{\omega_i} }{ \left| \vec{\omega_o} + \vec{\omega_i} \right| } \qquad 即出射方向与入射方向的中间向量
Lo(p,ωo)=Ω∫(kdπc+ks4(ωo⋅n)(ωi⋅n)DFG)Li(p,ωi)n⋅ωidωi其中：D=NDFGGXTR(n,h,α)=π((n⋅h)2(α2−1)+1)2α2F=FSchlick(h,ωo,F0)=F0+(1−F0)(1−(h⋅ωo))5GSchlickGGX(n,ωo,κ)=(n⋅ωo)(1−κ)+κn⋅ωoκdirect=8(α+1)2κIBL=2α2G(n,ωo,ωi,κ)=GSchlickGGX(n,ωo,κ)GSchlickGGX(n,ωi,κ)上列式子中：α=roughness2roughness∈[ 0.0,1.0 ]（粗糙度系数）h=∣ωo+ωi∣ωo+ωi即出射方向与入射方向的中间向量
仔细观察上述方程积分部分，其中的 DFG 部分以及其分母部分，还有入射光函数都与入射点
p
⃗
\vec{p}
p 、入射光
ω
i
⃗
\vec{\omega_i}
ωi 、出射光
ω
o
⃗
\vec{\omega_o}
ωo 以及隐含的光源颜色和物体表面的漫反射颜色
c
c
c 等变量相关联，并且这些变量基本都是矢量形式，所以其计算也是非常复杂的。
当然计算复杂主要是从其计算量来说的，即时间复杂度和空间复杂度。但是这些变量以及表达式至少都是可知和可计算的。如果各位有兴趣可以直接将这个积分方程按照其原始表达式按照黎曼和的形式翻译为 Shader 代码，只是每个点可能都需要海量的计算。当然你也可以通过控制黎曼和的数量来使计算量进一步减小，只是最终效果可能会有些惨不忍睹。这也是实时图形学中最永恒的一个话题——在渲染质量与效率之间进行折中。
所以这个方程虽然理论上已经可以编程进行计算了，因为 BRDF 部分的计算我们在之前的教程中已经交代清楚了，而到这里我们又知道了 IBL 的方法，使用环境映射贴图来采样的到 入射辐照度函数 L i ( p ⃗ ) L_i(\vec{p}) Li(p) ，而立体角 d ω \mathrm{d} \omega dω 根据前面的教程中的方法也可以拆分为积分半球上关于天顶角 θ \theta θ 和方位角 ϕ \phi ϕ 的二重积分。所以编码已经不是问题了。只是对于物体表面上每个点来说，实际都需要成千上万次的计算，期间还夹杂着大量的采样操作，而且最终效果还不一定能达到令人接受的程度。显然这样的粗暴编码的方法，因为缺乏效率，就显得非常不“计算机科学”了。因此整个渲染方程就需要更进一步的解析和优化，直到整个过程的计算量能达到可接受的程度，或者说达到当前计算机硬件条件下可计算的程度。
首先在 DirectX12（D3D12）基础教程（十九）—— 多实例渲染 的第4节中，特意补充了之前被忽略的一个重要知识点，即渲染方程中有 “
k
s
=
F
k_s = F
ks=F ”, 所以最终正确的渲染方程表达式是：
L
o
(
p
⃗
,
ω
o
⃗
)
=
∫
Ω
(
k
d
c
π
+
D
F
G
4
(
ω
o
⃗
⋅
n
⃗
)
(
ω
i
⃗
⋅
n
⃗
)
)
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
L_o(\vec{p},\vec{\omega_o}) = \int\limits_{\Omega} (k_d \cfrac{c}{\pi} + \cfrac{ D F G }{ 4 (\vec{\omega_o} \cdot \vec{n} )(\vec{\omega_i} \cdot \vec{n})}) L_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} \mathrm{d} \vec{\omega_i}
Lo(p,ωo)=Ω∫(kdπc+4(ωo⋅n)(ωi⋅n)DFG)Li(p,ωi)n⋅ωidωi
也即 DFG 部分中已经包含了
k
s
k_s
ks 项，所以不用再乘一遍。这本质上说明菲涅尔反射其实就是所谓的镜面反射的重要系数。只是镜面反射是关于光线的纯几何近似，而菲涅尔反射则是更加“物理”的近似，并且也更“真实”。所以一般在 PBR 中再说镜面反射和漫反射时基本就不再是传统光照模型中的纯几何化的含义了，这点大家一定要注意区分，不要简单的觉得 PBR 是故弄玄虚的将光照问题复杂化了。
本质上说 PBR 渲染已经跟传统光照模型没有任何关系了，二者区别极大。当然有一种说法认为传统光照模式是物理光照模型的一种极简近似，但这是针对真实的物理光照本身说的，而不是针对 PBR 说的。请注意这些说法中的本质含义和区别。
如果你有一点关于积分运算的知识的话，那么明显的就可以发现渲染方程可以进一步拆分为两个部分：
L
o
(
p
⃗
,
ω
o
⃗
)
=
∫
Ω
(
κ
d
c
π
)
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
+
∫
Ω
(
D
F
G
4
(
ω
o
⃗
⋅
n
⃗
)
(
ω
i
⃗
⋅
n
⃗
)
)
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
=
κ
d
c
π
∫
Ω
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
⏟
漫反射项
−
D
i
f
f
u
s
e
+
∫
Ω
(
D
F
G
4
(
ω
o
⃗
⋅
n
⃗
)
(
ω
i
⃗
⋅
n
⃗
)
)
L
i
(
p
⃗
,
ω
i
⃗
)
n
⃗
⋅
ω
i
⃗
d
ω
i
⃗
⏟
镜面反射项
−
S
p
e
c
u
l
a
r
\mathrm{L}_{o}(\vec{p},\vec{\omega_{o}}) = \mathop{\int}_{\Omega} ( \kappa_d \frac{c}{\pi})\mathrm{L}_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} d\vec{\omega_i} \quad \\[2ex] + \quad \mathop{\int}_{\Omega}( \frac{DFG}{4 ( \vec{\omega_o} \cdot \vec{n} ) (\vec{\omega_i} \cdot \vec{n} ) } ) \mathrm{L}_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} d\vec{\omega_i} \\[2ex] = \underbrace{ \kappa_d \frac{c}{\pi} \mathop{\int}_{\Omega} \mathrm{L}_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} \mathrm{d} \vec{\omega_i} }_{漫反射项-Diffuse} \quad \\[2ex] + \quad \underbrace{ \mathop{\int}_{\Omega}( \frac{DFG}{4 ( \vec{\omega_o} \cdot \vec{n} ) (\vec{\omega_i} \cdot \vec{n} ) } ) \mathrm{L}_i(\vec{p},\vec{\omega_i}) \vec{n} \cdot \vec{\omega_i} d\vec{\omega_i} }_{镜面反射项-Specular}
Lo(p,ωo)=∫Ω(κdπc)Li(p,ωi)n⋅ωidωi+∫Ω(4(ωo⋅n)(ωi⋅n)DFG)Li(p,ωi)n⋅ωidωi=漫反射项−Diffuse
κdπc∫ΩLi(p,ωi)n⋅ωidωi+镜面反射项−Specular
∫Ω(4(ωo⋅n)(ωi⋅n)DFG)Li(p,ωi)n⋅ωidωi
这样反射积分就变成了两个部分积分的和。这样显然是有好处的，因为这种形式两个积分项可以分开计算，最后再来求和，所以可以被方便的用来并行计算。
无论您是想搭建桌面端、WEB端或者移动端APP应用，HOOPSPlatform组件都可以为您提供弹性的3D集成架构，同时，由工业领域3D技术专家组成的HOOPS技术团队也能为您提供技术支持服务。如果您的客户期望有一种在多个平台（桌面/WEB/APP，而且某些客户端是“瘦”客户端）快速、方便地将数据接入到3D应用系统的解决方案，并且当访问数据时，在各个平台上的性能和用户体验保持一致，HOOPSPlatform将帮助您完成。利用HOOPSPlatform，您可以开发在任何环境下的3D基础应用架构。HOOPSPlatform可以帮您打造3D创新型产品，HOOPSSDK包含的技术有：快速且准确的CAD
本教程将在Unity3D中混合Optitrack与数据手套的数据流，在人体运动的基础上，添加双手手指部分的运动。双手手背的角度仍由Optitrack提供，数据手套提供双手手指的角度。 01 客户端软件分别安装MotiveBody与MotionVenus并校准人体与数据手套。MotiveBodyMotionVenus数据手套使用、校准流程参照：https://gitee.com/foheart_1/foheart-h1-data-summary.git02 数据转发打开MotiveBody软件的Streaming，开始向Unity3D广播数据；MotionVenus中设置->选项选择Unit
Unity自动旋转动画1.开门需要门把手先动,门再动2.关门需要门先动,门把手再动3.中途播放过程中不可以再次进行操作觉得太复杂?查看我的文章开关门简易进阶版效果:如果这个门可以直接打开的话,就不需要放置"门把手"如果门把手还有钥匙需要旋转,那就可以把钥匙放在门把手的"门把手",理论上是可以无限套娃的可调整参数有:角度,反向,轴向,速度运行时点击Test进行测试自己写的代码比较垃圾,命名与结构比较拉,高手轻点喷,新手有类似的需求可以拿去做参考上代码usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;u
之前说过10之后的版本没有3dScan了，所以还是9.8的版本或者之前更早的版本。 3d物体扫描需要先下载扫描的APK进行扫面。首先要在手机上装一个扫描程序，扫描现实中的三维物体，然后上传高通官网，在下载成UnityPackage类型让Unity能够使用这个扫描程序可以从高通官网上进行下载，是一个安卓程序。点到Tools往下滑，找到VuforiaObjectScanner下载后解压数据线连接手机，将apk文件拷入手机安装然后刚才解压文件中的Media文件夹打开，两个PDF图打印第一张A4-ObjectScanningTarget.pdf，主要是用来辅助扫描的。好了，接下来就是扫描三维物体。将瓶
关闭。这个问题不符合StackOverflowguidelines.它目前不接受答案。要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于StackOverflow来说是偏离主题的，因为它们往往会吸引自以为是的答案和垃圾邮件。相反，describetheproblem以及迄今为止为解决该问题所做的工作。关闭9年前。Improvethisquestion是否有适用于这些的3d游戏引擎？
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
文章目录1.自动驾驶实战：基于Paddle3D的点云障碍物检测1.1环境信息1.2准备点云数据1.3安装Paddle3D1.4模型训练1.5模型评估1.6模型导出1.7模型部署效果附录show_lidar_pred_on_image.py1.自动驾驶实战：基于Paddle3D的点云障碍物检测项目地址——自动驾驶实战：基于Paddle3D的点云障碍物检测课程地址——自动驾驶感知系统揭秘1.1环境信息硬件信息CPU:2核AI加速卡:v100总显存:16GB总内存:16GB总硬盘:100GB环境配置Python:3.7.4框架信息框架版本:PaddlePaddle2.4.0（项目默认框架版本为2.3
这个问题在这里已经有了答案:Unabletoinstallgem-Failedtobuildgemnativeextension-cannotloadsuchfile--mkmf(LoadError)(17个答案)关闭9年前。嘿，我正在尝试在一台新的ubuntu机器上安装rails。我安装了ruby和rvm，但出现“无法构建gemnative扩展”错误。这是什么意思？$sudogeminstallrails-v3.2.9(没有sudo表示我没有权限)然后它会输出很多“获取”命令，最终会出现这个错误:Buildingnativeextensions.Thiscouldtakeawhi
我想知道如何从Apple.p12文件中提取key。根据我有限的理解，.p12文件是X504证书和私钥的组合。我看到我遇到的每个.p12文件都有一个X504证书和至少一个key，在某些情况下有两个key。这是因为每个.p12都有一个Apple开发人员key，有些还有一个额外的key(可能是Appleroot授权key)。我只考虑那些具有两个key的.p12文件是有效的。我的目标是区分具有一个key的.p12文件和具有两个key的.p12文件。到目前为止，我已经使用OpenSSL来检查X504文件和任何.p12的key。例如，我有这段代码可以检查目录中的所有.p12文件:Dir.glob(
require'openssl'ifARGV.length==2pkcs12=OpenSSL::PKCS12.new(File.read(ARGV[0]),ARGV[1])ppkcs12.certificateelseputs"Usage:load_cert.rb"end运行它会在Windows上产生错误，但在Linux上不会。错误:OpenSSL::PKCS12::PKCS12Error:PKCS12_parse:macverifyfailurefrom(irb):21:ininitializefrom(irb):21:innewfrom(irb):21fromC:/Ruby192/
