Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

¿Te ayudamos?

Ejemplos de búsqueda

Vídeos Explicativos

BMC Rendering

Financiado

Cerrado

Bayesian Monte Carlo for Global Illumination

One of the most challenging problems in computer graphics (CG) is to synthesize physically-based realistic images given an accurate model of a virtual scene. Rendering a photo-realistic image requires solving the illumination int... ver más

31/07/2018

UPF

158K€

Presupuesto del proyecto: 158K€

Líder del proyecto

UNIVERSITAT POMPEU FABRA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 324

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2018-07-31

MSCA-IF-2015-EF: Marie Skłodowska-Curie Individual F... Scope:Proposals for European Fellowships involve a single host organisation (future beneficiary) est...

I+D

Cerrada hace 9 años

0% 100%

Características del participante

Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

1 Participantes

UPF

158.12K€ | Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Duración del proyecto: 28 meses Fecha Inicio: 2016-03-21
Fecha Fin: 2018-07-31

Líder del proyecto

UNIVERSITAT POMPEU FABRA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 324

Presupuesto del proyecto 158K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto One of the most challenging problems in computer graphics (CG) is to synthesize physically-based realistic images given an accurate model of a virtual scene. Rendering a photo-realistic image requires solving the illumination integral which describes the light transport on a scene, and whose value is in general computed by resorting to numerical approximations such as those based on Monte Carlo (MC) methods. The quality of the approximation of those methods is strongly dependent on the samples placement and weighting. Therefore several works have focused on improving the purely random sampling used in classic MC techniques. In particular, a recent and innovative approach called Bayesian Monte Carlo (BMC) has been proven to greatly outperform classic MC methods due to its ability to incorporate prior knowledge which is then used for careful samples weighting and placement. This method was successfully applied in rendering by Brouillat et al. (2009) but only for diffuse materials. Recently, Marques et al. (2013) have generalized the application of BMC to non-diffuse materials. These works have confirmed the potential of BMC for efficiently solving the rendering integral, making it a new trend in computer graphics. Nevertheless, the use of BMC in CG is still in an incipient phase and its application to more evolved and widely used rendering algorithms remains cumbersome. We propose a research plan with a double objective: first, to develop an adaptive sampling strategy for BMC integration, where a new set of samples is used to further improve the approximation of the previous integral estimate. Second, to apply BMC to higher dimension problems such as path tracing, where the integration over all possible ray paths turns the approximation into a high-dimension integration problem, hence addressing the holy grail of the integration in light transport simulation: the curse of dimensionality.

Conecta tu I+D

Entra hoy

Forgot your password?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores