Teknologisk utvikling som påvirker samfunnssikkerheten

WRT (Seção 3.3.1) e ray tracing distribuído (Seção 3.3.2) são técnicas que solucionam o problema da iluminação direta e parcialmente o da indireta. Elas simulam a iluminação indireta em reflexos especulares perfeitos, porém, outras situações, como da Figura 3.4, não são simula- das (SUFFERN, 2007). A iluminação indireta é importante para a quali- dade final da imagem pois muitas superfícies no mundo real recebem a maior parte de sua iluminação por meio de superfícies refletoras. O pro- blema é que qualquer superfície pode refletir a iluminação de qualquer outra superfície, assim resultando em um algoritmo com complexidade 𝒪(𝑛2), onde 𝑛 é o número de superfícies. Esse problema da ilumina- ção indireta é normalmente conhecido como iluminação global (SHIRLEY;

Figura 3.4: Exemplo de iluminação direta (L0) e indireta (L2) no ponto 𝑥

X

L1

L0

L2

Fonte: Adaptada de (SUFFERN, 2007).

MARSCHNER, 2009).

O algoritmo pathtracing é uma solução probabilística para calcu- lar a iluminação direta e indireta. Ele lança raios da câmera e os segue até que uma fonte de luz seja encontrada, ou uma distância máxima seja alcançada ou até que os raios saiam da cena. Cada vez que um raio intersecciona com um objeto, uma função probabilística gera a nova dire- ção do raio levando em consideração a BRDF da superfície (SUFFERN, 2007).

Pathtracers suportam qualquer tipo de BRDF, incluindo super- fícies transparentes, tornando essa solução flexível e capaz de simular diversos tipos de transporte de iluminação entre superfícies (SUFFERN, 2007). A principal desvantagem da técnica é que ela pode gerar ima- gens com ruídos. Isso por que uma superfície é iluminada apenas quando um raio encontra uma fonte de luz (SHIRLEY; MARSCHNER, 2009). Por exemplo, alguns caminhos são bloqueados por superfícies, enquanto ou- tros nunca encontram uma fonte de luz ou a luz está simplesmente muito longe para influenciar no resultado. Esses problemas não apenas custam tempo de processamento, como introduzem erros e ruídos na imagem final.

Uma variação de pathtracing é o algoritmo de lighttracing, onde os raios fazem o caminho da fonte de luz até a câmera. A combinação dessas duas técnicas é o bidirectional pathtracing, onde um caminho é construído com origem na fonte de luz, e outro com origem na câmera. Após algumas intersecções os dois caminhos se conectam, assim criando um caminho completo (BIKKER, 2012). Bidirectional pathtracing apre- senta bons resultados em cenas onde as superfícies são, na maior parte, iluminadas de forma indireta. Entretanto, em cenas com a maior parte ilu- minada de forma direta, bidirectional pathtracing deixa de ser eficiente, podendo até ser computacionalmente mais caro que o algoritmo de path- tracing (LAFORTUNE, 1996).

Matematicamente, pathtracing resolve a integral da LTE usando métodos de Monte Carlo. Esses métodos referem-se a uma série de mé- todos estatísticos para encontrar soluções para problemas como calcular o valor esperado de uma função, ou integrar funções que não são possí- veis de serem resolvidas de forma analítica, como a LTE (Equação 3.1).

Métodos de Monte Carlo calculam um valor estimado de uma integral com base em amostras aleatórias. A incerteza do resultado de- pende da variância, que é inversamente proporcional ao número de amostras (LAFORTUNE, 1996). Se o número de amostras for suficien- temente grande, Monte Carlo pode calcular a resposta certa de acordo com a Lei dos Grandes Números (BIKKER, 2012).

Uma das vantagens de integrar usando Monte Carlo é a sua sim- plicidade, pois apenas duas operações são necessárias: amostragem e estimação. Amostragem está relacionada com a forma em que as variá- veis aleatórias são escolhidas, enquanto a estimação é referente a função estimadora de Monte Carlo. Métodos de redução de variância referem- se a técnicas para construção de estimadores. Quanto mais eficiente for o estimador, mais baixa será a variância usando o mesmo número de amostras (VEACH, 1997).

O erro de um estimador de Monte Carlo padrão é proporcional a 1/√𝑁 , onde 𝑁 é o número de amostras (LAFORTUNE, 1996). Essa

proporção não é eficiente para computação gráfica interativa, onde cenas com fontes de luz pequenas podem fazer com que um raio necessite de muitas reflexões para encontrar uma fonte de luz. E mesmo quando en- contrar, a influência dessa luz para a imagem final pode ser desprezível, pois cada reflexão reduz a energia da luz. Por isso, esforço precisa ser feito para encontrar raios que encontram a luz em menos etapas para melhorar a eficiência (BIKKER, 2012).

Métodos de Monte Carlo buscam reduzir a variância sem aumen- tar o número de amostras. Assim, os principais métodos de Monte Carlo são importantes para algoritmos de iluminação global: amostragem es- tratificada, amostragem de importância e múltiplos estimadores. Apenas uma breve descrição dos principais métodos será apresentada a seguir. A tese de Lafortune (1996) apresenta toda a formalização matemática desses métodos, e outros.

• Amostragem estratificada: Quanto mais os pontos amostrais se agrupam, menor será a eficiência do método. A amostragem estrati- ficada tenta distribuir as amostras da forma mais uniforme possível. O método divide o domínio da integral em diversos subdomínios e estima integrais parciais em cada um desses subdomínios. Assim, há uma garantia que cada subdomínio terá pelo menos uma amos- tra. A variância da amostragem estratificada é sempre menor ou igual a variância do estimador normal. Como esse método não pre- cisa ter conhecimento da integral, e o custo computacional extra é insignificante, geralmente acaba sendo uma boa otimização. Entre- tanto, quando o número de amostras é elevado, os pontos amostrais começam a se agrupar novamente, reduzindo assim a eficiência do método (LAFORTUNE, 1996).

• Amostragem de importância: faz uso da função densidade de pro- babilidade (PDF) para gerar mais amostras nas áreas onde a fun- ção da integral tem maior influência no resultado. O maior desafio é encontrar uma função PDF que aproxima a função da integral (LA-

FORTUNE, 1996).

• Múltiplos estimadores: múltiplos estimadores podem ser usados quando a construção de uma única PDF é difícil de ser feita. As- sim, cada PDF aproxima uma seção da função da integral (LAFOR- TUNE, 1996).

Pathtracing pode ser categorizado com viés ou sem viés, ou bi- ased e non-biased respectivamente. O termo viés vem da estatística e refere-se a amostra viesada. Um pathtracing com viés tende a convergir ao resultado final mais rapidamente, mas pode apresentar erros siste- máticos na aproximação da radiação. Assim, a versão com viés é a me- lhor escolha para sistemas interativos, enquanto a sem viés geralmente é usada como referência.