GAMES101 (笔记补充)

笔记补充：

注：具体详细笔记看GAMES101-现代计算机图形学入门-闫令琪 课程笔记(自用)，本文只是对部分内容的补充扩展

GAMES101 - Lecture 03 Transformation

简单易懂的罗德里格斯公式推导

我的理解，R是一个旋转矩阵，那么$v$就是一个单位矩阵，而$k\times v$是叉乘改写为矩阵形式

Lecture 04 Transformation Cont.

$R_{view}^{-1}$矩阵是如何得到的

$R_{view}^{-1}$矩阵是如何得到的
你假设g是（X${}_{g\times t}$,Y${}_{g\times t}$,Z${}_{g\times t}$)，然后想一个变换矩阵能从到X轴即(1,0,0)变换过去，同理其他Y,Z轴，然后组合一下这三个变换矩阵就是这个Rview-1逆矩阵了

透视投影(Perspective Projection)公式推导

注：
0. camera于原点，看向-Z方向
1.在挤压的过程中，近平面永远不会发生变化。
2.在挤压过程中，远平面上的Z值不会发生变化。
3.挤压过程中，远平面的中心点也不会发生变化。
大体思想：
1.将frustum给挤压成一个长方体，也就是将远平面压的和近平面一个大小。
2.做一次正交投影，将长方体的中心移到原点并将其压缩成-1，1的正方体。
其中第二步是正交投影(已经学过)，关键是如何实现第一步

求挤压矩阵frustum

附加题的理解：

具体计算求解：
选自b站课程评论区

Games101-lecture04 Transformation Cont

Lecture 06 Rasterization 2 (Antialiasing and Z-Buffering)

傅里叶变换（Fourier Transform）与图像的关系

反走样基本思路是先做模糊再做采样，为什么不是反过来

正确做法：

如果先采样的话，低频信息会混叠，混叠全砍掉就缺失大量信息
采样后，频谱已经无限复制搬移了，没办法简单的切掉混叠处了

Lecture 07 Shading 1 (Illumination, Shading and

Graphics Pipeline)

漫反射的强度计算（Lambertian (Diffuse) Shading）

$k_d$是一个三维向量，分别是0~1，体现了对rgb的吸收情况，就可以在shading point定义颜色了
漫反射往四面八方反射的东西是一样的(均匀分布)，与观测角度无关(在哪个方向观测的亮度是一样的)，只与I和n的夹角有关
$I/r^2$：多少能量到达shading point
$max(0,n\ast l)$:多少能量被吸收

环境光（Ambient Term）

大胆的假设，简化模型
环境光与v,l,n均无关系，是一个常数，作用就是保证没有地方完全是黑的，相当于自发光(常数)，所有其他项加起来，提升一个亮度

Lecture 09 Shading 3 (Texture Mapping Cont.)

纹理太大/小情况

纹理太小

纹理太小时，一个纹理覆盖了多个像素
好几个像素对应一个纹素

纹理太大

因为一个像素对应一大块纹理, 这一大块纹理里的像素值是不同的(一直在变化)
当纹理大的时候，还需要在屏幕上进行显示，那么屏幕上一个像素就会覆盖多个纹素，而每一个纹素可能都不一样，所以单纯的对一个点采样就会出现走样的问题

Lecture 10 Geometry

符号距离函数(Signed Distance Function)讲解

Lecture 11 Geometry 2

B-splines(B样条)

B样条及其复杂

Lecture 16 Ray Tracing 4

蒙特卡罗积分公式

蒙特卡洛方法的理解、推导和应用

这个算的是f的定积分，对所有概率分布是一样的，除以p(x)就消除了因不同x采样概率不同导致的误差


f(x) = f(x) * p(x)/ p(x) 对f(x)积分，对应右边式子对p(x)积分，这是前面的期望表达式，即求解f(x)/p(x)的期望，用离散随机变量的期望方法求解，即求和后除以总采样数
（设g(x) = f(x) / p(x), 求g(x)的期望就是f(x)在[a, b]上的积分，再用大数定律得到n趋于无穷收敛于期望）

路径追踪(代码逻辑)