ディズニー、砂糖や塩、砂などの不均一で多分散の粒子群を現実的に見せるレンダリング方法を論文にて公開
ディズニー、砂糖や塩、砂などの不均一で多分散の粒子群を現実的に見せるレンダリング方法を論文にて公開 2016-12-09 Disney Researchは、動的で不均一な粒子の混合物の効率的なレンダリングを可能にする方法を論文にて公開しました。 論文では、異種で多分散の粒子群をレンダリングするためのマルチスケールアプローチを提示します。何百万レベルの粒子をシミュレートするのに使用され、砂糖や塩、砂に至るまでより現実的に見えるだけでなく、より速くレンダリングされます。 論文は、Disney Research Zurich、ETH Zurich、Dartmouth Collegeの研究者らが、「Efficient Rendering of Heterogeneous Polydisperse Granular Media」というタイトルで提示しました。 ディズニーといえば、先日もこういった研究
今年のグラフィックス技術でホットだと思ったもの - 新 masafumi's Diary
そろそろ年末で、今年のGDC以降の各社のグラフィックスエンジンの発表資料見直してるけど、今年はカリングについて取り上げるものが結構目立ったなぁ(発端は前年のSIGGRAPH 2015 GPU-Driven Rendering Pipelinesかも)。 Optimizing the Graphics Pipeline with Compute http://www.frostbite.com/2016/03/optimizing-the-graphics-pipeline-with-compute/ The filtered and Culled Visibility Buffer http://www.confettispecialfx.com/gdce-2016-the-filtered-and-culled-visibility-buffer-2/ スライド http://www.c
Emscriptenを使ってブラウザ上でレイトレする - Qiita
これはKLab Advent Calendar 2016の5日目の記事です。 C++で開発したレイトレーサ「tsukihi」をEmscriptenを使ってJavaScriptに変換して、ブラウザ上で動作させました！ 次のリンクから動作を確認できます。 #emscripten_tsukihi - gam0022.net/webgl tsukihiはレイトレ合宿4!?向けにeduptをベースに開発したレンダラーです。 この記事の前半では、レイトレーサにおけるGPU実装の課題や制約などについて紹介します。 後半では、実際にC++のレイトレーサをEmscriptenで移植して得られた知見などを紹介します。 Emscriptenの紹介と導入方法 EmscriptenでOpenGL+GLFW3をビルドする注意点 Emscriptenの印象 読者の対象としては、レイトレは実装したことがあるけど、Emsc
そうだ、Unityで読み込んだMMDのモデルをリアルにしよう - Traffic Jam
ごきげんよう。みんなのｍですｗ 年齢ゆえか飲みに行くとやっぱり結婚やらの話題が増えてきました。 ～さん今年らしいよーとか、結婚どうしよう、などなど。 と、言いつつ飲みに行ったメンバー全員、きっと当面は自身には関係がなさそうな話題なのでした（ぉぃ さて本題！ そうだ、Unityで読み込んだMMDのモデルをリアルにしよう 前回はMMDのミクをUnityに読み込みました。 （http://milk0824.hatenadiary.jp/entry/2016/06/06/224831） 今回はARなどの話題に移る前に、ＭＭＤのモデルをリアルにしたいと思います。 もう少し言うと、IBLという技術を使って周りの風景になじませるお話です。 今回お借りしたのは、この技術の時に必ず出てくるTda様の『Tda式初音ミク・アペンド Ver1.00』です。 モーションはデコスカＰ様の『リアルワールドモーション詰め
TensorFlowによるアイドル顔識別器の話 - 2016.12.13 TensorFlow User Group #2 - Qiita
自己紹介 すぎゃーん (id:sugyan) Web系エンジニア ドルヲタ TensorFlowで機械学習に入門 (2015.11〜) はてなブログ書いてます すぎゃーんメモ http://memo.sugyan.com/ アジェンダ アイドル顔識別について 自作識別器の紹介 データセット・学習の話 可視化 前回のあらすじ TensorFlowによるアイドル顔識別器の話 (2016.9.28) 学習用データセットの収集・作成 …の苦労話 モデルの評価と実験 収集したデータを使った顔画像生成 など アイドル顔識別について 問題設定 (やりたいこと) 「入力した画像に対し、写っているのが『どのアイドル(人物)か』を機械学習により自動判定する」 画像に対する 物体検出 + 分類 顔検出は今のところCloud Vision API任せ 検出された領域を抽出した個々の顔画像に対する分類がメイン LI
DeepLearningを使って人を笑顔にする - Qiita
Deep Feature Interpolation for Image Content Changes Deep Feature Interpolation(DFI)は、画像に特定の属性(例えば「笑顔」「年配」「あごひげが生えている」)を持たせるための手法です。 特定の属性をもたせる手法としては、"Autoencoding beyond pixels using a learned similarity metric"のようなGenerative Adversarial Network(GAN)を使った手法が知られていますが、DFIはGANとは異なるアプローチをとっています。 論文は https://arxiv.org//abs/1611.05507 にあります。 概要 "A Neural Algorithm of Artistic Style"などで知られているように、画像をCNNに入
微分の初歩から勾配降下法まで - Qiita
機械学習に必要な高校数学やり直しアドベントカレンダー Advent Calendar 2016の11日目の記事です。10日目はyajuさんで線形回帰で二乗和を2で割る理由についてでした。 はじめに 難しいとよく言われる微分ですが、そんなに難しい概念ではないですし、とても便利な武器になるんですよ！という記事です。 変化率 まず、最初に変化率という概念について考えてみます。点aから点bへ変化するとき変化率は (yの変化量)/(xの変化量) 、すなわち $$ \frac{By-Ay}{Bx-Ax} $$ と表せます。このように2点間でxの変化量に対するyの変化量の割合を変化率と呼び、点A,Bを通る直線を引いたときの傾きと等しい値となります。 1点の変化率 2点間の距離を小さくしていくことを考えていきます。点Bを点Aに近づけていくことで1点での変化率に近づけていくことができます。この1点での変化率
TensorFlowをWindowsでビルドする - Qiita
※0.12から公式でWindowsビルドが提供されるようになりました！ Release 0.12.0/Major Features and Improvements 最近(たぶん2016/10ぐらいから)、TensorFlowがWindowsでビルドできるようになりました。 以下に、CMakeを利用したビルドの手順が公開されています(ただ、今後はbazelへ移行すると思われます)。 tensorflow/tensorflow/contrib/cmake/README.md かなり丁寧に書かれているので、基本的にはこの通り行っていけばビルド、またPythonラッパーの生成を行いWindowsネイティブでPython x Tensorflowを使用することができます。 ただ、ビルドに結構時間がかかるので、手っ取り早く使いたい方は以下に私がビルドしたものを置いてありますので、使ってみてください。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
