Семинар „Математическо моделиране”, 20.04.2021 г., дистанционно в приложението DISCORD

Семинарът се провежда дистанционнo, в приложението DISCORD. Всички магистри от МП ИМММ, записаните бакалаври за Семинара по приложна математика, както и редовните посетители на семинара от катедра ЧМА, са регистрирани в класа „ММ семинар“ в DISCORD. 
Колеги, желаещи да посетят някоя от сбирките на семинара, да съобщят това до 17 часа на понеделика преди семинара на проф. Стефка Димова: dimova@fmi.uni-sofia.bg, за да им бъдат изпратени покани за включване в класа за съответната сбирка. 

На 20.04.2021, вторник, от 17:15 до 19 часа, Асен Атанасов от фирма ХАОС СОФТУЕР ще представи проблема
Ефикасен микрофасетен модел на основата на обратна хистограма

Резюме. Прецизното моделиране на релефа на повърхности е ключов аспект на реалистичното визуализиране. Два основни градивни елемента за това са микрофасетните материали, които описват грапавина чрез статистическото поведение на безкрайно малки фасети, и текстурите с нормали, които предоставят директен контрол на потребителя да зададе произволен релеф. Ние изследваме филтрирането на сумарния ефект на микрофасетни материали и текстури с нормали. Чрез разделяне на повърхността на части със сходна ориентация ние показваме, че проблемът с филтрирането може да бъде сведен до пресмятане на интегрална хистограма, която е обобщение на интегрално изображение. Интегралните хистограми са известни със своите големи изисквания за памет, които обикновено са пропорционални на броя на деленията на хистограмата. За да смекчим този проблем, ние въвеждаме структурата от данни обратна хистограма, която е специализирана форма на интегрална хистограма, чиято памет на практика почти не зависи от деленията на хистограмата. Въз основа на нея, ние представяме ефикасен метод за филтриране на текстури с нормали и произволна грапавина моделирана с микрофасетния модел на Бекман. В специалния случай на огледални повърхности, описани чрез текстури с нормали (при ниска микрофасетна грапавина) нашият метод показва сходна производителност на съществуващите подходи, но при силно занижени изисквания за памет.