Skip to main content

შრეებად შერჩევა

Stratified Sampling
მარცხენა სურათზე ნაჩვენებია კვადრატში თანაბარი შერჩევით დასმული 64 წერტილი. შუა და მარჯვენა სურათები უჩვენებენ თანაბარი შრეებად შერჩევით დასმული 64 წერტილს შესაბამისად შრეების გარეშე და შრეებით. 
        შრეებად შერჩევა არის სტატისტიკური შერჩევის ერთერთი მეთოდი, რომელიც გვეხმარება გავზარდოთ თანაბარი შერჩევის ხარისხი. თანაბარი შემთხვევითი შერჩევის დროს ჩვენ ვიცით, რომ რაც უფრო გავზრდით შერჩევების რაოდენობას მით უფრო თანაბარი გახდება შერჩეული განაწილება თუმცა არანაირი გარანტია არ გვაქვს და წინასწარი ცოდნა იმის შესახებ თუ როდის(რამდენი შერჩევის შემდეგ) მოხდება ეს.
        მთავარი იდეა შრეებად შერჩევისა არის ის, რომ ჩვენ უნდა დავყოთ მთელი შერჩევის არე შრეებად და მოვახდინოთ შერჩევა თითოეულ შრეში ცალცალკე. მაგალითად ჩვენ გვინდა დავსვათ 64 წერტილი კვარდატში შემთხვევითად. ასეთ შემთხვევაში იმის მაგივრად, რომ მთელ კვადრატზე მოვახდინოთ შერჩევა, აჯობებს კვადრატი დავყოთ 64 თანაბარ ნაწილად(შრედ) და თითოეულ ნაწილში შევარჩიოთ შემთხვევითი წერტილი(იხილეთ ზემოთ მოცემული სურათი). ასეთ შემთხვევაში ჩვენ გვაქვს გარანტია იმისა რომ არცერთი შრე არ დაგვრჩება წერილის გარეშე.
        შრეებად შერჩევა ხშირად გამოიყენება მონტე კარლოს ინტეგრირებისას რათა მალე მოხდეს სასურველ შედეგთან მიახლოვება. შრეებად შერჩევა მონტე კარლოს ინტეგრირებისას განსაკუთრებით ეფექტურია დაბალი ხარისხის ინტეგრალებში.

Comments

Popular posts from this blog

ფერების RGB მოდელი

RGB Color Model         ფერების RGB მოდელი წარმოადგენს ისეთ მოდელს რომელშიც სამი ძრირითადი ფერის წითელი, მწვანე და ლურჯის საშუალებით მიიღება ფერების ფართო სპექტრი. მისი დასახელებაც მოდის სწორედ ძირითადი ფერების ინგლისური სახელწოდების ინიციალებიდან(Red, Green, Blue).         ფერთა სპექტრის ამდაგვარი წარმოდგენა დაკავშირებულია იმასთან, რომ გამოსახულების გამოტანის მოწყობილობებში რომელიც გააჩნიათ კომპიუტერებს, ტელევიზორებს ფერის მიღება ფიზიკურად ხდება სწორედ ამ სამი ძირითადი ფერის შეზავებით. დღესდღეობით ყველაზე გავრცელებული არის 24 ბიტიანი RGB მოდელი, სადაც თითოეულ კომპონენტს ეთმობა ერთი ბაიტი და შესაბამისად შეუძლია მიიღოს ნებისმიერი მნიშვნელობა [0, 255] დიაპაზონში, რაც საბოლოოდ გვაძლევს 16777216 განსხვავებულ ფერს.

სინათლის ხილული სპექტრი და სხივის თვისებები

Visible Spectrum სურათზე ნაჩვენებია პრიზმაში გამავალი თეთრი სხივის სპექტრულად გაშლის პროცესი.         სინათლე წარმოადგენს ელექტრომაგნიტურ ტალღას, რომელსაც როგორც ყველა ელექტრომაგნიტურ ტალღას გააჩნია რამოდენიმე მნიშვნელოვანი მახასიათებელი. ერთერთი მნიშვნელოვანი მახასიათებელი არის ტალღის სიგრძე, რომელიც განსაზღვრავს სხივის სპექტრულ ფერს. ელექტრომაგნიტური ტალღები ბუნებაში და თანამედროვე სამყაროში მრავლად გვხვდები. სხვადასხვა ტალთის სიგრძის(სიხშირის) ტალღებს იყენებენ როგორც საყოფაცხოვრებო(რადიო, მობილური ტელეფონი) დანიშნულების, ასევე სამედიცინო(რენდგენის სხივები) და სამხედრო(რადარები) მოწყობილობებში. ადამიანის თვალისთვის ხილული სინათლის ელექტრომაგნიტური ტალღების ტალღის სიგრძე იწყება დაახლოებით 400 ნანომეტრიდან და მთავრდება 700 ნანომეტრზე. ამ დიაპაზონს ქვემოთ ექცევა ულტრაიისფერი ტალღები და დიაპაზონს ზემოთ ექცევა ინფრაწითელი, რომელსაც ადამიანის თვალი ვერ აღიქვამს(იხილეთ ქვემოთ მოცემული სურათი). სინათლის თეთრი სხივი შედგება სხვადასხვა სიხშირის ტალღების ერთობლიობისგან.        

CPU GPU და ჰიბრიდული რენდერერები

წყარო         დღემდე აქტუალურია თემა CPU რენდერერი ჯობია თუ GPU . იმისათვის რომ ამ კითხვას მეტნაკლებად ამომწურავი პასუხი გავცეთ განვიხილოთ რენდერერის სტრუქტურა და მოცემულ პლათფორმებზე იპმლემენტაციასთან დაკავშირებული პრობლემები. რენდერერი შედგება რამოდენიმე დიდი კომპონენტისგან როგორიცაა ხილვადობის ამოცანა შეფერადება ინტეგრატორები ფუნქციონალი ხილვადობის ამოცანა         ხილვადობის ამოცანა ერთერთი ყველაზე რთულია გამოთვლითი რესურსის კუთხით. გარდა იმისა, რომ სხივის გეომეტრიასთან თანაკვეთის დათვლას საკმაოდ დიდი დრო ჭირდება, ასევე საჭიროა ამაჩქარებელ სტრუქტურების განახლება კადრიდან კადრზე დინამიური სცენებისათვის. კარგი ისაა, რომ რენდერერის ეს ნაწილი საკმაოდ ადვილად ენკაპსულირებადია და შესაბამისად გვხვდება ბიბლიოთეკები მაგალითად embree(intel), fireRays(AMD), OptiX prime(nvidia), ... რომლებიც ამ ამოცანას საკმაოდ ეფექტურად ხსნიან და რენდერერებშიც მეტნაკლებად ადვილად ინტეგრირდებიან.  სხივების მიდევნების პროცესში ძალიან მნიშვნელოვანია მსგავსი გამოთვლების ლოკალიზება და არსებული SIMD