图形渲染技术是计算机图形学的重要组成部分,在三维游戏、影视特效以及医疗等领域具有广泛的应用价值。随着计算机运算能力的增强,人们对图形的视觉效果追求越来越高,从而促进了照片级真实感渲染的发展。这其中,基于物理的材质外观渲染是一大主流,也是目前计算机图形学的热点研究方向。本文对面向表面材质的真实材质数据和面向介质材质的辐射度传输方程进行了系统而深入的研究分析,提出了更加实用、高效的材质渲染和参与介质渲染模型。本文的主要贡献包括如下两点:(1)基于深度学习的测量材质特征分析及其应用。有效压缩密集采样的双向反射分布函数(Bidirection Reflectance Distribution Function,简写为BRDF)测量值对于许多图形或视觉应用至关重要。在本文中,我们提出了Deep BRDF,这是一种基于深度学习的测量材质表示形式,可以显著降低所测BRDF的维度,同时具有较高的重构质量。我们将每个测得的BRDF视为图像切片序列,并设计了具有带掩膜的2损失函数的深度自编码器,以发现高维输入数据的非线性低维隐空间。全面的实验证明,所提出的方法在BRDF数据压缩中明显优于基于主成分析(Principle Component Analysis,即PCA)的策略,并且更鲁棒。我们通过两个应用展示了Deep BRDF的有效性。对于BRDF编辑,我们可以通过在Deep BRDF的低维流形上漫游来高效创建新的BRDF,从而确保平滑的过渡和高度的物理合理性。对于BRDF重建,我们设计了另一个深度神经网络,可以从单个输入图像自动生成完整的BRDF数据。(2)离散型参与介质的多尺度渲染方法。在这个工作中,我们考虑光在由稀疏和随机分布的离散粒子组成的参与介质中的散射。粒子半径在波长范围至比波长大几个数量级的范围内;这类介质与连续介质的光滑外观相反,其外观显示出明显的颗粒感。为了定量表示单个粒子的散射,我们采用了几何光学近似(Geometrical optics approximation,简写为GOA),这是洛伦兹米氏(Lorenz-Mie)理论的一种高效替代方法,它使我们能够根据局部区域中的粒径分布快速计算体渲染介质散射参数。基于这些空间变化的参数,我们推导出了多尺度的体积绘制方程,以描述离散参与介质中的能量转移。对于实际渲染,我们提出了两种蒙特卡洛解决方案来求解该方程。一种基于显式生成的粒子(EGP),另一种基于完全过程模式(PGP),其中粒子是通过新颖的基于网格的随机过程动态生成的。结果表明,我们提出的框架首次可以模拟各种不同粒度的离散参与介质,并且当粒子数足够多可以收敛到连续介质。