[acm15]the sggx microflake distribution

intro

acm transaction on graphics 15的一个文章；

https://dl.acm.org/doi/10.1145/2766988

整体偏学术，主要是对马岛的siggraph20的course中有引用，顺着看过来，还挺有意思；

论文本身有点晦涩，看起来有点枯燥，看这个视频比较好：

https://www.bilibili.com/video/BV1MK411P71x?from=search&seid=10817193380449311591

笔者还加了些注释说明。

overview

sggx microflake distribution是处理volume 渲染的一个方法；

像fur，fabric，植被这种，物理比较正确的方式还是要按照volume去建模；

像之前[sig16]《神秘海域4》中的volumetric-based materials

里的技术还是偏hack的，没有做正确的建模和计算。

在sggx之前，是有zhao shuang老师的很多在volume渲染方面的很多工作.

对于毛发这种，是属于各向异性的体数据，一般使用的建模是microflake；毛发这种完整说来是：spatially-varing properties of anisotropic microflake participating media；

microflake就是如图理解就行，就是volume中一堆小片，用这个来建模各种体数据；

但是之前的做法是超高精度的渲染方式，细节很高，但是消耗太大；

而且数学模型也不容易去downsample。

sggx是使用了一个更加简单，以及容易lod的表达，极大地提升了这个渲染的效率，因此也在一些游戏中开始被使用；

关键点

整篇文章关键点两个：

• roughness物理属性的直觉表达，是microflake在各个方向上的投影面积（project area）
• 然后使用ellipsoid（椭球体）来表达建模，把解析公式的方式，转变成geometry的方式，进而把整个问题大幅度简化

  

  这里作者首先从light在volume中传播的方式来进行反推，最后得出roughness就是microflake在各个方向上的project area；

  然后进行downsample的时候也要围绕这个来做；

  一旦有了project area这个关键点，那么建模就相对直接

  

  

就是使用ellipsoid来建模，可以做到和原来的microflake等效；

这样normal distribution什么的也都有了，sggx的ellipsoid模型也可以把ggx distribution统一进来；

然后ellisoid表达就是一个矩阵就有了，各种简洁；

进而各种dowsample等等的操作就简单了；

结果

sggx normal distribution能够在效果相近的情况下，大幅度提升渲染效率，可以说是挺犀利了；