最近开始在学习3D Gaussian Splatting, 一开始燃起兴趣是因为得知知乎的Italink大神在做一些将3D Gaussian Splatting与HLOD相结合的工作(Unreal Engine 5 — 3D Gaussian Splatting), 且在一次面试过程中也听面试官提起过3D Gaussian Splatting, 这不由让我觉得3D Gaussian Splatting未来将大有可为. 在经过一番简单入门后, 得知3D Gaussian Splatting是一个不涉及深度学习的CG算法, 背后的数学原理还是十分深刻的, 这也激发了自己更浓厚的兴趣. 由于在3D Gaussian Splatting的运行环境的配置上还不太顺利(目前主要原因是本地的VS版本太高), 故先读读论文解解馋, 同时配合B站上一个讲解得十分清晰易懂的视频解惑~
继续阅读《3D Gaussian Splatting for Real-Time Radiance Field Rendering》论文较真解读
目前项目组尚未开启Nanite, 故也一直没有好好地钻研过Nanite算法. 前段时间终于抽出业余时间, 静下心来认真学完了Games 104的Nanite一节内容, 收获颇多. 接下来打算以若干篇文章学透Nanite的技术要点, 本文先介绍提高Shadow Depth Maps性能的常用技术, 翻译自微软的技术博客文章《Common Techniques to Improve Shadow Depth Maps》.
在上篇([UE5 AI流程探索篇] 引入深度学习实现Meshes分类 – 上篇) 中我们在外部PyTorch环境下搭建神经网络模型, 并用导出的训练数据来训练模型. 接下来在下篇中我们将编写插件将StaticMeshes信息转化为文本数据, 并将其作为外部搭建的神经网络的测试数据, 最后导出分类结果数据后在引擎中进行解析与可视化.
最近在复习Mesh减面相关的知识点, 当初读罢Hoppe H. New quadric metric for simplifying meshes with appearance attributes[C]//Proceedings Visualization’99 (Cat. No. 99CB37067). IEEE, 1999: 59-510.这篇论文后开发了Mesh自动减面模块, 但其实并没有完全吃透这篇论文, 对许多理论细节亦是囫囵吞枣. 时隔近两年, 重新阅读这篇论文, “柳暗花明又一村”, 对于之前许多令自己迷惑的理论细节豁然开朗~
继续阅读《New Quadric Metric for Simplifying Meshes with Appearance Attributes》论文要点解读
这是前段时间阅读芝麻拌葱花在知乎上写下的一篇文章《【UE5 AI流程探索篇】引入深度学习实现PCG相关功能-上篇》 后突然冒出来的一个想法, 目前根据Meshes的拓扑不变量进行分类是一个十分具有挑战性的问题,
其本质上就是通过编写一套基于代数拓扑的算法, 根据使用者输入的Meshes, 然后去输出输入Meshes的预测分类. 怎么去设计这套逻辑算法是主要脱发点(剩下的脱发点就是怎么跟策划还有美术扯皮… 因为必然会加入许多比较Trick的分类逻辑). 那么我们有没有办法将这个白箱变成黑箱, 只需要控制输入跟输出, 然后黑箱内部会自己调整呢, 这很容易联想到机器学习. 因为机器学习的本质就是拟合, 而拟合就是根据现有的数据来构建函数去预测新的数据. 借助这个思想运用到Meshes分类上, 其本质就是根据不同输入Mesh来执行一套函数去输出输入Meshes的分类, 因此我们只需要将Meshes信息打包成训练数据来喂给神经网络, 让它自己去拟合出这个函数, 某种程度上训练后的神经网络就具备了Meshes分类的能力. 本人采用的神经网络是MeshCNN, MeshCNN是2019年提出的直接在3D Meshes上进行分类和分割的网络, MeshCNN在3D Meshes上定义了定义了卷积和池化层, 依据三维模型边的连通关系进行研究. 最终能够在来自SHREC 11数据集的30个类上达到98.6%的精度, 并且在部件和人体数据集上有很好的分割性能.
自参加工作学习代数拓扑以来, 自己尝试做过一些将代数拓扑, 几何与UE游戏开发结合的微小工作. 本文总结了截至2024年底的相关工作要点, 其中, 有一部分还处在”新建文件夹” 的状态ε=ε=ε=┏(゜ロ゜;)┛
最近在学习TopoXu老师的拓扑数据分析课程, 许多课程内容参考了蒋伯驹老师的《绳圈的数学》一书. 但遗憾的是, 书上对于亚历山大多项式及康威方法介绍的篇幅很少, 而这一部分却又是纽结理论里极其重要的一部分, 因此特以本文记录一些关于亚历山大多项式及康威方法的要点.
难得在今年的一整个国庆假期里都可以宅家, 总算把《数字图像的计算几何、拓扑和物理及其应用》 这本书给看完了. 哎, 回想起那股刚拿到这本书时的兴奋感, 现在可以说是荡然无存. 书中各种定义的介绍与定理的证明, 都还是不尽人意的, 定理证明论述的缺点主要集中在循环论证上. 尽管如此, 还是记录一下读罢这本书后的收获叭, 以此作为一个学习这本书的完结点｡:.ﾟヽ(*´∀`)ﾉﾟ.:｡