IMR & TBR & TBDR

已于 2023-12-07 16:34:36 修改
阅读量425 收藏 8
点赞数 9
文章标签： 计算机视觉
于 2023-12-07 15:01:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangchao315/article/details/134854504
版权

IMR

Immediate Mode Rendering(即时渲染)，是 PC 和主机 GPU 使用的渲染方式

IMR下的渲染示意图

每次渲染，都要读写Frame Buffer和Depth Buffer 

IMR优化

IMR需要大量的带宽和功耗，优化方式是L1、L2 Cache大缓存，不适用于移动GPU

硬件和内存交互的数据流

TBR

TBR (Tile-Based Rendering)分块渲染

核心思想：将帧缓冲分割为一小块一小块，然后逐块进行渲染

TBR是基于Tile（块）的绘制，不能每次来一个物体就提交一次，TBR的处理流程：

几何处理阶段

图下侧表示当前提交的三角形，场景中的每个三角形，被Binned到4x3模式的Frame Buffer中，

每一个只显示影响这个Tile的三角形

Rasterization 光栅化

光栅化也是基于Tile进行的，光栅化会等所有三角形完成几何处理才进入本阶段，从图元列表取出三角形列表，然后根据列表对当前tile的所有三角形进行光栅化以及顶点属性的插值。

着色

硬件和内存交互的数据流

 TBDR

TBDR (Tile-Based Deferred Rendering)在硬件层面上增加HSR (隐藏面消除)解决了Overdraw问题

TBDR是PVR的专利，通过硬件增加HSR和Tag Buffer实现DR，解决过渡渲染的问题。

过渡渲染

红色方体和绿色球体其实只需要进行部分渲染，但是过度渲染是把重叠的部分进行了多次渲染

SlamDunk31598
关注
  • 9
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
IMR.rar_IMR
09-24
bnp图像灰度化的源码，代码比较简洁易懂，核心算法（或者说数据结构）更加简洁
imr.zip_IMR
09-21
MATLAB的IMR算法,清华大学，sigmod2017
Pfeiffer IMR265操作手册
09-28
普发IMR265真空全范围真空规管的详细操作说明手册，哦哦！
imr模具专业知识
08-28
imr模具专业知识，可以作为imr模具的了解入门资料
IMR
02-23
IMR
GPU架构杂乱备忘——IMR、TBR、TBDR
yinfourever的专栏
11-25 3173
原文：https://juejin.cn/post/6844904132864655367 GPU架构杂乱备忘——IMR、TBR、TBDR 之前觉得涉及到gpu架构相关的问题只需要知道个大概就好，毕竟在图形api的层面上应该把硬件的细节给隐蔽掉，gpu的架构千千万万，每家厂商每个型号都不一样，开发者没必要掉进这个细节里面。但是最近重看Metal，特别是2.0之后新增的功能，逐渐深刻意识到一个事实——图形api已经迎来了真正的第三代。当然DX12、Vulkan和Metal在诞生时就打出了“现代图形api”
GPU渲染架构-IMR & TBR & TBDR
真像大白阿的博客
05-22 784
等到非得刷新整个FrameBuffer的时候，比如说在代码里显示的执行GLFlush，GLFinish，Bind和Unbind FrameBuffer这类操作的时候，总之就是我告诉GPU现在我就需要用到FrameBuffer上数据的时候，GPU才知道拖不了了，就会将这批绘制做光栅化，做tile-based-rendering。arm的移动设备没有显存，需要考虑带宽性能。读取只发生在需要几何以及纹理信息的时候，写回也只发生在整批绘制画完的时候，具体的绘制都是在On_Chip Memory上完成的，
移动GPU渲染原理的流派——IMR、TBR及TBDR
借你一秒
11-01 4992
移动GPU渲染原理的流派——IMR、TBR及TBDR 　　移动GPU相对桌面级的GPU只能算是未长大的小孩子，虽然小孩子在某些场合也能比成人更有优势（比如杂技、柔术之类的表演），但在力量上还是有先天的差别，主要表现在理论性能和带宽上。 　　与桌面GPU动辄256bit甚至384bit的位宽、1.2-1.5GHz的高频显存相比，移动GPU不仅要和CPU共享内存带宽，而且普遍使用的是双32
移动GPU三种主流架构优缺点浅析
【黑键】
10-24 1790
移动GPU三种主流架构优缺点浅析 GPU是Graphic Processor Unit的简称，顾名思义就是图形处理器。 GPU的概念最早是从图形工作站发展而来，从90年代的个人电脑普及开始，GPU迎来了其大发展的时代。 在90年代中期，桌面GPU经历了2D到3D的跨越，从此3D图形渲染取代2D成为PC游戏的主流 移动GPU的劣势主要表现在理论性能和带宽。 移动GPU受限于芯片的面积，能耗以...
IMR/TBR/TBDR，RenderTexture，RenderBufferLoadAction.DontCare, RenderBufferStoreAction.Store
小孔明的专栏
11-11 960
https://blog.csdn.net/love_hot_girl/article/details/81910692 https://www.cnblogs.com/minggoddess/p/10950349.html https://www.cnblogs.com/minggoddess/p/10950349.html https://www.cnblogs.com/minggoddess/p/10950349.html https://zhuanlan.zhihu.com/p/259760974?
TBR
I.Mars
04-26 4326
+
【目标检测】YOLOv7 网络结构（与 YOLOv4，YOLOv5 对比）
Jiangnan_Cai的博客
04-23 852
YOLOv7 的 backbone 与 YOLOV5 对比，YOLOv7 的 neck 和 head 与 YOLOv4 对比
图像置乱加密-Arnold加密算法
最新发布
q15516221118的博客
04-28 648
置乱加密是另一种较常用的加密方法，现也被许多文献选用
目标检测（任务概述、机器学习时代的方法、深度学习时代的目标检测模型）
hanmo22357的博客
04-27 1133
目标检测任务的概念：尝试从一张输入图像中找出感兴趣的物体所在的区域。感兴趣物体所在的区域：一般通过RoI（Region of Interest）进行表示，往往是一个包含有感兴趣的物体的水平的矩形，有时候也会是倾斜的矩形或一个表示物体轮廓线的任意几何形状。目标检测和OCR的关系：目标检测是一种常见的图像处理任务，是OCR任务的基础。目标检测技术的发展：在21世纪初，研究者们提出了很多基于机器学习的目标检测算法；十多年后，深度学习将目标检测引领向了一个新时代。目标检测方法的分类。
计算机视觉——OpenCV 使用分水岭算法进行图像分割
知来者逆的博客
04-26 784
分水岭算法通过模拟自然地形来实现图像中物体的分类。在这一过程中，每个像素的灰度值被视作其高度，灰度值较高的像素形成山脊，即分水岭，而二值化阈值则相当于水平面，低于这个水平面的区域会被“淹没”。
模型剪枝-Network Slimming算法分析
qq_52053775的博客
04-25 1548
由于边缘设备的限制，在模型的部署中经常受到模型大小、运行内存、计算量的限制。之前的方法要么只能解决其中一个问题，要么会带来精度损失。因此，论文提出能够使用BN层中的缩放因子γ实现对通道的剪枝，这种方法能够很好的解决三个问题，同时也不会带来过多的精度损失，也不需要进行额外的网络结构搜索。具体如下：在每层卷积中，有多个特征图，例如64个特征图。但是这64个特征图不一定都重要，保留其中重要的特征图，而将不重要的特征图剪枝掉，这就是模型剪枝。因此，首先我们需要给每个特征图一个权重因子，然后保留其中重要的特征图。
PotatoPie 4.0 实验教程(29) —— FPGA实现摄像头图像均值滤波处理
ICMakerChipdebug的博客
04-26 808
图像均值滤波处理是一种常见的图像处理技术，用于降低图像中噪声的影响并平滑图像。该方法通过在图像中滑动一个固定大小的窗口（通常是一个正方形或矩形），将窗口中所有像素的值取平均来计算窗口中心像素的新值。这种操作会使图像中的高频噪声减弱，并且可以使图像的轮廓变得更加模糊，从而使得图像更加平滑。图像均值滤波的理论依据是基于局部区域的像素值平均化。当图像中的一个像素值受到噪声的影响时，它的值可能会与其周围像素的值不一致。通过取局部区域像素值的平均，可以有效地减小噪声的影响，从而得到更加平滑的图像。
目标检测——YOLOv7算法解读
lishanlu136的博客
04-24 875
YOLOv7算法解读
FPGA高端项目：FPGA帧差算法多目标图像识别+目标跟踪，提供11套工程源码和技术支持
qq_41667729的博客
04-28 1469
FPGA高端项目：FPGA帧差算法多目标图像识别+目标跟踪，提供11套工程源码和技术支持
使用ObsPy读取imr数据
06-12
使用ObsPy读取IMR格式数据非常简单，只需要使用`read`函数即可。以下是一个读取IMR格式数据的示例代码： ```python from obspy import read # 读取IMR格式数据 st = read("example.imr") # 打印数据信息 print(st) ``` 其中，`example.imr`是待读取的IMR格式数据文件名。`read`函数会将数据读入一个`Stream`对象中，可以通过`print`函数查看数据的基本信息，如采样率、通道数等。 如果IMR格式数据文件中包含多个通道的数据，可以通过`read`函数的`format`参数指定读取的通道。例如，如果想读取第一个通道的数据，可以这样调用`read`函数： ```python st = read("example.imr", format="IMR", starttime=0, endtime=10, channel=1) ``` 其中，`channel=1`表示读取第一个通道的数据。`starttime`和`endtime`参数用于指定读取数据的时间范围。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值