Опушка единорогов

Леонид Альжанов — студент КТ ИТМО, разработчик в Agisoft. Выпускник ПФМЛ 239, энтузиаст графического программирования, автор собственного 2D движка на Vulkan.
В прошлом году Леонид успешно прошёл два курса Николая Полярного, а затем вместе с ним работал над задачей, о которой расскажет на лекции.

3D-модели в играх и фильмах выглядят гораздо реалистичнее, если на них наложены детализированные текстуры и если на них правдоподобно воздействует освещение. Реалистичность текстур часто достигается получением 3D-моделей путём фотографирования объекта с большого числа ракурсов и дальнейшей обработки средствами фотограмметрии. Но для того, чтобы поверхность объекта реалистично реагировала на освещение и, особенно, на перемещение источника света, недостаточно знать детализированные цвета поверхности. Нужно также знать, как именно разные части поверхности реагируют на свет и его перемещение:

• где блик будет ярким (глянцевая поверхность), а где блика не будет вовсе (например, какой-нибудь сухой мох)?
• где блик будет большим, а где — маленьким пятнышком?
• где игра света обнаружит трещину, а где — идеально отполированную поверхность?

Для реалистичного описания взаимодействия поверхности и света часто используют Physically-Based Rendering (PBR). Этот подход позволяет передать ощущение металличности, мокрости, глянцевости и рыхлости поверхности.

На лекции обсудим программу, разработанную в рамках летней стажировки. В рамках проекта был разработан метод, строящий правдоподобные и детальные PBR-текстуры (albedo map, normal map, roughness map, metallic map) методом математической оптимизации. Обсудим также, как этот алгоритм был ускорен на видеокартах.

Предполагается, что слушателям:

• интересна компьютерная графика;
• понятно, что такое градиентный спуск;
• не страшны рассуждения с частым упоминанием векторного произведения.

Николай Полярный. CTO Agisoft. Автор курса фотограмметрии и курса алгоритмов на видеокартах.
Борис Симиютин. Старший разработчик, Agisoft. Соавтор курса фотограмметрии и курса алгоритмов на видеокартах.

Процессор и видеокарта — в чём между ними разница? Если видеокарты так хороши — зачем нужен процессор? Чем отличаются OpenCL, CUDA и Vulkan? Что и когда выбрать для задачи? Как выглядят алгоритмы на видеокартах?

Обсудим, что такое вычисления в модели массового параллелизма. Что такое hyper-threading, occupancy, code divergence, coalesced memory access? Какие алгоритмы выигрывают от использования видеокарт?

Рассмотрим на примерах:
– merge-sort* за O(N)O(N)1​1
​​ вместо O(N⋅logN)O(N⋅logN),
– умножение матриц,
– real-time построение BVH-дерева (из этого вырос современный Ray Tracing).

Обсудим, как, понимая архитектуру компьютера хотя бы в общих чертах, можно оценить потенциал для ускорения с помощью разных методов оптимизации — даже без профилировщика.

Лекция будет сопровождаться кодом — с ним можно будет экспериментировать и после лекции. Также на лекции будут карлики и клоуны!

*
​​ merge-sort за O(N)O(N) — на видеокарте он, конечно, не работает строго за линию, но всё равно быстрее, чем на процессоре, в квинвигинтиллион**
​​ раз.

**
​​ В 123.9 раз.

– умение писать простой C++-код на уровне работы с арифметикой указателей
– понимание асимптотического анализа, базовых алгоритмов и структур данных
– базовые знания многопоточности
– для выполнения заданий достаточно любого ноутбука (видеокарта не требуется, можно тестировать на процессоре)
– для выполнения заданий рекомендуется Ubuntu или Windows, на MacOS потребуются дополнительные усилия