本发明公开了一种基于隐式光传输函数的动态绘制方法和装置，包括以下步骤：步骤1，在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据；利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；步骤2，将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果，适用于各类三维场景的动态绘制。
1.一种基于隐式光传输函数的动态绘制方法，其特征在于，包括以下步骤：
步骤1，构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据，利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
步骤2，利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
2.根据权利要求1所述的基于隐式光传输函数的动态绘制方法，其特征在于，利用第一类样本数据对神经网络进行监督学习时，以神经网络对输入样本的预测输出与第一样本标签的差值作为损失函数，利用损失函数优化神经网络的参数；
利用隐式光传输函数进行动态绘制时，将得到的光传输变化场相加到原三维场景的绘制结果以得到新三维场景的绘制结果。
3.根据权利要求1所述的基于隐式光传输函数的动态绘制方法，其特征在于，构建隐式光传输函数的步骤还包括：通过以下方式构建第二样本标签 ：其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置向观察方向 观察物体m的遮罩图， 表示新三维场景 的绘制结果真值，表示原三维场景 的绘制结果真值；
构建的第二样本标签 与包含新三维场景 、相机位置 和观察方向 的输入样本形成第二类样本数据，利用第二类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数 ；
利用隐式光传输函数进行动态绘制的步骤还包括：将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 通过以下方式合并到原三维场景的绘制结果 以得到新三维场景的绘制结果 ：
4.根据权利要求1所述的基于隐式光传输函数的动态绘制方法，其特征在于，当需要直接光照的绘制结果时，构建隐式光传输函数的步骤还包括：通过以下方式构建直接光照的样本标签 ，构建的样本标签 与包
含新三维场景 、相机位置 和观察方向 的输入样本形成直接光照样本数据，利用直接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为直接光照的隐式光传输函数 ；
其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置向观察方向 观察物体m的遮罩图， 表示新三维场景 的直接光绘制结果真值， 表示原三维场景 的直接光绘制结果真值；
利用隐式光传输函数进行动态绘制的步骤还包括：将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 合并到原三维场景的直接光照的绘制结果以得到新三维场景的直接光照的绘制结果。
5.根据权利要求1或4所述的基于隐式光传输函数的动态绘制方法，其特征在于，当需要间接光照的绘制结果时，构建隐式光传输函数的步骤还包括：通过以下方式构建间接光照的样本标签 ，构建的样本标签 与包含
新三维场景 、相机位置 和观察方向 的输入样本形成间接光照样本数据，利用间接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为间接光照的隐式光传输函数 ；
其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置向观察方向 观察物体m的遮罩图， 表示新三维场景 的间接光绘制结果真值， 表示原三维场景 的间接光绘制结果真值；
利用隐式光传输函数进行动态绘制的步骤还包括：将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 合并到原三维场景的间接光照的绘制结以得到新三维场景的间接光照的绘制结果。
6.根据权利要求5所述的基于隐式光传输函数的动态绘制方法，其特征在于，当需要全局光照的绘制结果时，将新三维场景的直接光照的绘制结果与间接光照的绘制结果求和得到新三维场景的全局光照的绘制结果。
7.一种基于隐式光传输函数的动态绘制装置，其特征在于，包括：
构建模块，用于构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据，利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
动态绘制模块，用于利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
8.一种基于隐式光传输函数的动态绘制装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：步骤1，构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据，利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
步骤2，利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
一种基于隐式光传输函数的动态绘制方法和装置
技术领域
[0001] 本发明属于绘制领域，具体涉及一种基于隐式光传输函数的动态绘制方法和装置。
背景技术
[0002] 绘制技术一直是计算机图形学最重要的研究内容之一，被广泛应用于计算机辅助设计、电子娱乐和影视特效等领域。其主要目标是根据给定描述与要求对虚拟场景进行快速高质量的可视化。根据绘制效果的不同，绘制技术可以被分为真实感绘制技术与非真实感绘制技术。真实感绘制技术的主要目标是在虚拟场景中逼真地模拟和还原真实世界中各种复杂的光影效果，生成具有高真实感的图像。非真实感绘制技术则主要致力于呈现特定艺术风格的绘制结果，比如卡通、素描和油画等。
[0003] 绘制技术，尤其是真实感绘制技术，需要进行大量的计算以获得高质量的结果。以蒙特卡洛路径追踪方法为例，该方法的基础在于模拟场景中光传播的物理行为，它需要在每个像素投射数以万计的光线与场景进行复杂的交互计算来计算一幅收敛的绘制结果，这使得绘制时间可能长达几十分钟乃至几天。
[0004] 绘制技术常被应用于设计行业，例如室内家具设计、电影场景设计等。设计师通过绘制算法生成当前设计方案下的光照效果，准确的绘制结果更有利于得到高质量的设计。然而，在这些应用场景中，常需要对特定物体进行动态变换。传统的绘制方法需要对变换后的场景进行重绘制以获得新的绘制结果。可由于真实感绘制所需的时间较长，使用者不得不进行质量与速度的取舍，要么选择快速获得低质量的绘制结果，要么进行长时间的等待。
考虑到在这种情况下，除目标物体外，包括相机在内的所有其他物体均保持不变，进行重绘制进行了大量的冗余计算。若存在一种方法避免这些冗余计算，则可以快速获取高质量的绘制结果，极大地提高设计效率。
[0005] 场景中物体的变换会导致场景中的光传输过程发生变化，进而导致绘制结果产生变化。这种变化十分复杂，难以通过传统的算法进行显式计算。神经网络可以从大量数据中隐式学习这类变化。同时，近年来的神经网络专用硬件的快速发展，如TPU和NPU，极大地提升了神经网络的计算速度。然而，现有的基于神经网络的绘制方法均使用神经网络直接预测整个场景的绘制结果，难以复用已有结果，也难以与其他绘制方法协作，这些问题限制了它们的灵活性与通用性。目前仍缺少一种使用神经网络芯片的且易于与其他绘制方法协作或可复用绘制结果的快速动态绘制技术。
发明内容
[0006] 鉴于上述，本发明的目的是提供一种基于隐式光传输函数的动态绘制方法和装置，通过隐式光传输函数构建光传输变化场，通过光传输变化场与绘制结果的结合实现对各类三维场景的动态绘制。
[0007] 为实现上述发明目的，实施例提供了一种基于隐式光传输函数的动态绘制方法，包括以下步骤：
[0008] 步骤1，构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据；利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
[0009] 步骤2，利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0010] 在一个实施例中，利用第一类样本数据对神经网络进行监督学习时，以神经网络对输入样本的预测输出与第一样本标签的差值作为损失函数，利用损失函数优化神经网络的参数；
[0011] 利用隐式光传输函数进行动态绘制时，将得到的光传输变化场相加到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0012] 在一个实施例中，构建隐式光传输函数的步骤还包括：通过以下方式构建第二样本标签 ：
[0013]
[0014] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的绘制结果真值， 表示原三维场景 的绘制结果真值；
[0015] 构建的第二样本标签 与包含新三维场景 、相机位置 和观察方向 的输入样本形成第二类样本数据，利用第二类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数 ；
[0016] 利用隐式光传输函数进行动态绘制的步骤还包括：将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 通过以下方式合并到原三维场景的绘制结果 以得到新三维场景的绘制结果 ：
[0017] 。
[0018] 在一个实施例中，当需要直接光照的绘制结果时，构建隐式光传输函数的步骤还包括：
[0019] 通过以下方式构建直接光照的样本标签 ，构建的样本标签与包含新三维场景 、相机位置 和观察方向 的输入样本形成直接光照样本数据，利用直接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为直接光照的隐式光传输函数 ；
[0020]
[0021] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的直接光绘制结果真值， 表示原三维场景 的直接光绘制结果真值；
[0022] 利用隐式光传输函数进行动态绘制的步骤还包括：将将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 合并到原三维场景的直接光照的绘制结果以得到新三维场景的直接光照的绘制结果。
[0023] 在一个实施例中，当需要间接光照的绘制结果时，构建隐式光传输函数的步骤还包括：
[0024] 通过以下方式构建间接光照的样本标签 ，构建的样本标签 与包含新三维场景 、相机位置 和观察方向 的输入样本形成间接光照样本数据，利用间接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为间接光照的隐式光传输函数 ；
[0025]
[0026] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的间接光绘制结果真值， 表示原三维场景 的间接光绘制结果真值；
[0027] 利用隐式光传输函数进行动态绘制的步骤还包括：将新三维场景、相机位置和观察方向作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场 ，将该光传输变化场 合并到原三维场景的间接光照的绘制结以得到新三维场景的间接光照的绘制结果。
[0028] 在一个实施例中，当需要全局光照的绘制结果时，将新三维场景的直接光照的绘制结果与间接光照的绘制结果求和得到新三维场景的全局光照的绘制结果。
[0029] 为实现上述发明目的，实施例还提供了一种基于隐式光传输函数的动态绘制装置，包括：
[0030] 构建模块，用于构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据，利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
[0031] 动态绘制模块，用于利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0032] 为实现上述发明目的，实施例还提供了一种基于隐式光传输函数的动态绘制装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0033] 步骤1，构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据，利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
[0034] 步骤2，利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0035] 与现有技术相比，具有的有益效果至少包括：
[0036] 通过构建样本标签来引入隐式光传输函数呈现的光传输变化场，通过神经网络的参数优化实现构建隐式光传输函数的过程，在此基础上，利用隐式光传输函数对输入的自变量（新三维场景、相机位置和观察方向）进光传输变化场进行计算，并将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果，这样可以实现各类三维场景的动态绘制，还能提高动态场景的绘制速度。
附图说明
[0037] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0038] 图1是实施例提供了基于隐式光传输函数的动态绘制方法的流程图；
[0039] 图2是实施例提供的将物体插入到三维场景的绘制过程示意图；
[0040] 图3是实施例提供的基于隐式光传输函数的动态绘制装置的结构示意图。
具体实施方式
[0041] 为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
[0042] 图1是实施例提供了基于隐式光传输函数的动态绘制方法的流程图。如图1所示，实施例提供的基于隐式光传输函数的动态绘制方法，包括以下步骤：
[0043] 步骤1，构建隐式光传输函数。
[0044] 实施例中，构建隐式光传输函数包括：在原三维场景 插入物体m形成新三维场景 ，以新三维场景 、相机位置 和观察方向 作为输入样本，以原三维场景的绘制结 果真 值 与 新 三 维 场 景的 绘 制结 果 真 值 之 差（）作为第一样本标签，以形成第一类样本数据；利用第一类样本
数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数。
[0045] 其中，原三维场景包含了多个需要绘制的物体，还包含绘制光源，采用光线追踪等方式对原三维场景进行绘制计算，以得到原三维场景的绘制结果真值。在原始三维场景中插入物体形成插入物体后的新三维场景，同样采用光线追踪等方式对新三维场景进行绘制计算，以得到新三维场景的绘制结果真值。
[0046] 场景绘制的实质就是计算光线在物体表面的传输情况，传到每个物体表面，物体表面呈现的颜色，基于此，将原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为插入物体引起的光传输变化场。在训练时，直接将原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，对神经网络进行监督学习，使得神经网络实现的隐式光传输函数能够计算光传输变换场。
[0047] 在利用第一类样本数据对神经网络进行监督学习时，以神经网络对输入样本的预测输出与第一样本标签的差值作为损失函数，利用损失函数优化神经网络的参数。
[0048] 步骤2，利用隐式光传输函数进行动态绘制。
[0049] 实施例中，利用隐式光传输函数进行动态绘制包括：将新三维场景 、相机位置 和观察方向 作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0050] 实施例中，将输入数据 输入至神经网络，经过神经网络呈现的隐式光传输函数对输入数据进行前向传递计算以输出新三维场景的光传输变化场 ，然后将该光传输变化场 相加到原三维场景的绘制结果 以得到新三维场景的绘制结果，用公式表示为： 。
[0051] 在一种实施方式中，构建隐式光传输函数的步骤还包括：通过以下方式构建第二样本标签 ：
[0052]
[0053] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的绘制结果真值， 表示原三维场景 的绘制结果真值；
[0054] 构建的第二样本标签 与包含新三维场景 、相机位置 和观察方向 的输入样本形成第二类样本数据，利用第二类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数 ；
[0055] 利用隐式光传输函数进行动态绘制的步骤还包括：将 作为隐式光传输函数 的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场 通过以下方式合并到原三维场景的绘制结果以得到新三维场景的绘制结果 ：
[0056] 。
[0057] 实施例中，为了提升后续计算插入物体的光传输变化场的方便性和准确性，目标视角下的可观测到物体的遮罩图 是需要被预先生成。具体根据物体位置和相机位置计算目标视角下观察到的各物体组对应的遮罩图。
[0058] 在另一种实施方式中，当需要直接光照的绘制结果时，构建隐式光传输函数的步骤还包括：
[0059] 通过以下方式构建直接光照的样本标签 ，构建的样本标签与包含新三维场景 、相机位置 和观察方向 的输入样本形成直接光照样本数据，利用直接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为直接光照的隐式光传输函数 ；
[0060]
[0061] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的直接光绘制结果真值， 表示原三维场景 的直接光绘制结果真值；
[0062] 利用隐式光传输函数进行动态绘制的步骤还包括：将 作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场，将该光传输变化场 合并到原三维场景的直接光照的绘制结果以得到新三维场景的直接光照的绘制结果 ，用公式表示为：
[0063] 。
[0064] 在另外一个实施例中，当需要间接光照的绘制结果时，构建隐式光传输函数的步骤还包括：
[0065] 通过以下方式构建间接光照的样本标签 ，构建的样本标签 与包含新三维场景 、相机位置 和观察方向 的输入样本形成间接光照样本数据，利用间接光照样本数据对神经网络进行监督学习，以参数优化的神经网络作为间接光照的隐式光传输函数 ；
[0066]
[0067] 其中， 表示针对在原三维场景 增加物体形成新三维场景 ，从相机位置 向观察方向 观察物体m的遮罩图， 表示新三维场景 的间接光绘制结果真值， 表示原三维场景 的间接光绘制结果真值；
[0068] 利用隐式光传输函数进行动态绘制的步骤还包括：将 作为隐式光传输函数 的输入自变量，经过隐式光传输函数 的计算得到新三维场景的光传输变化场，将该光传输变化场 合并到原三维场景的间接光照的绘制结以得到新三维场景的间接光照的绘制结果 ，用公式表示为：
[0069] 。
[0070] 在另外一种实施方式中，当需要全局光照的绘制结果时，将新三维场景的直接光照的绘制结果 与间接光照的绘制结果 求和得到新三维场景的全局光照的绘制结果 ，用公式表示为：
[0071] 。
[0072] 实施例中，所有输入数据 在被输入至神经网络之前，均需要经过编码操作，得到的编码结果输入至神经网络，作为隐式光传输函数的输入自变量，以计算光传输变化场。
[0073] 上述实施例提供的基于隐式光传输函数的动态绘制方法，通过构建样本标签来引入隐式光传输函数呈现的光传输变化场，通过神经网络的参数优化实现构建隐式光传输函数的过程，在此基础上，利用隐式光传输函数对输入的自变量进光传输变化场进行计算，并将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果，如图2所示，将物体m插入三维场景的流程以及插入前后的绘制结果，能够发现插入物体m的新三维场景的绘制结果的绘制质量高。
[0074] 图3是实施例提供的基于隐式光传输函数的动态绘制装置的结构示意图。如图3所示，实施例还提供的基于隐式光传输函数的动态绘制装置，包括：
[0075] 构建模块，用于构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据；利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
[0076] 动态绘制模块，用于利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0077] 需要说明的是，上述实施例提供的基于隐式光传输函数的动态绘制装置在进行动态绘制时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于隐式光传输函数的动态绘制装置与基于隐式光传输函数的动态绘制方法实施例属于同一构思，其具体实现过程详见基于隐式光传输函数的动态绘制方法实施例，这里不再赘述。
[0078] 实施例还提供了一种基于隐式光传输函数的动态绘制装置，包括存储器、处理器以及存储在存储器中并可在所述处理器上执行的计算机程序，处理器执行计算机程序时实现基于隐式光传输函数的动态绘制步骤，具体包括以下步骤：
[0079] 步骤1，构建隐式光传输函数，包括：在原三维场景插入物体形成新三维场景，以新三维场景、相机位置和观察方向作为输入样本，以原三维场景的绘制结果真值与新三维场景的绘制结果真值之差作为第一样本标签，以形成第一类样本数据；利用第一类样本数据对神经网络进行监督学习，以参数优化的神经网络作为隐式光传输函数；
[0080] 步骤2，利用隐式光传输函数进行动态绘制，包括：将新三维场景、相机位置和观察方向作为隐式光传输函数的输入自变量，经过隐式光传输函数的计算得到新三维场景的光传输变化场，将该光传输变化场合并到原三维场景的绘制结果以得到新三维场景的绘制结果。
[0081] 实际应用中，存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)、图形处理器(GPU)、神经网络处理器(NPU)，即可以通过这些处理器实现基于隐式光传输函数的动态绘制方法步骤。
[0082] 以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
