按年被提到
20162017 · 2 次2026
视觉、语音与图像生成›超分辨率与图像压缩·arXiv:1603.06078 · cs.GR

Deep Shading: Convolutional Neural Networks for Screen-Space Shading

Deep Shading:用于屏幕空间着色的卷积神经网络
Oliver Nalbach, Elena Arabadzhiyska, Dushyant Mehta, Hans-Peter Seidel, Tobias Ritschel · 2016

用 CNN 从逐像素属性合成外观,学出各种屏幕空间着色效果

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2017-01-27 · 最近 2021-05-12
3不同的人
3活跃月份
3讨论串
131被引(OpenAlex)

计算机视觉中 CNN 已能把 RGB 外观映射为位置、法线、反射率等属性,而屏幕空间着色则把逐像素属性转成 RGB 外观,实现环境光遮蔽、间接光、散射、景深、运动模糊和抗锯齿等效果。论文考虑这个“对角”问题:用 CNN 从给定的逐像素属性合成外观。得到的 Deep Shading 能以有竞争力的质量和速度模拟多种屏幕空间效果,且不是由专家编程,而是从示例图像中学出来的。

HN 为什么提它

有人在讨论实时渲染时说不该排除神经网络,它们仍可用来推导能实时运行的高效着色模型,并以这篇论文为例。

方法难度 3 / 5约 45 分钟经得起时间
读之前最好知道
1卷积神经网络(CNN)
2实时渲染与屏幕空间着色
3G-buffer 与延迟渲染
4光照模型基础

学习路径

读这篇之前,按顺序读书架上的 2 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先看用 CNN 做逐像素图像映射的超分辨率,再看用感知损失训练前馈网络,最后读把同类网络用于屏幕空间着色。

  1. 1
    Image Super-Resolution Using Deep Convolutional Networks用深度卷积网络做图像超分辨率 · 2014

    较早的把 CNN 当作图像到图像映射的工作

    读看端到端学习图像映射的设定

  2. 2
    Perceptual Losses for Real-Time Style Transfer and Super-Resolution用于实时风格迁移与超分辨率的感知损失 · 2016

    前馈网络配合特征损失的图像变换训练思路,可与 Deep Shading 的训练对照

    读看前馈变换网络与感知损失的结构,不必深究风格迁移细节

  3. 3
    Deep Shading: Convolutional Neural Networks for Screen-Space ShadingDeep Shading:用于屏幕空间着色的卷积神经网络 · 2016 · 就是这篇

    用 CNN 把逐像素属性映射为外观,学出多种屏幕空间着色效果

    读看输入的屏幕空间属性缓冲和网络结构,以及各种着色效果的实验

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用arketyp · 2021-05

“But I wouldn't rule out neural networks. They could still be used to derive efficient shader models that can be run in real time.”

认为神经网络仍可用来得到可实时运行的高效着色模型
Enhancing Photorealism Enhancement原评论 ↗
被提交为 story · 2 次