WedX - журнал о программировании и компьютерных науках

Как я могу ускорить эту систему трехмерного рендеринга на основе сетки?

Недавно я разрабатывал изометрическую систему рендеринга для отображения трехмерных сеток в Javascript. Все элементы сетки представляют собой кубы одинакового размера, единственное различие между ними — текстура, представляющая значение этой координаты. Мое приложение требует графического отображения больших сеток, даже если в окне просмотра одновременно видна только небольшая часть.

Поскольку я использую Canvas, который медленно рисует тысячи фигур за кадр, я настраиваю свой скрипт на циклический просмотр каждого блока, но рисую его грани только в том случае, если они 1.) рядом с пустым пространством сетки и 2.) внутри окна просмотра. . Эта система отлично работает для небольших сеток, но поскольку моему приложению потребуются значительно большие сетки (1000+x1000+x128), мне нужно будет добавить некоторые улучшения производительности для конечного продукта.

Кто-нибудь, кто работал с системами рендеринга, знает, как я могу оптимизировать свой движок? Одна вещь, которая, я думаю, может быть эффективной, будет пытаться не перебирать каждое значение сетки, даже если оно не рисуется. Однако я не знаю наиболее эффективного способа узнать, следует ли перебирать значение сетки или нет (в настоящее время я просматриваю КАЖДОЕ значение, а затем вычисляю, следует ли его рисовать).

Если я был слишком расплывчатым, пожалуйста, скажите мне, и я буду рад уточнить. Спасибо за ваше время и опыт; Я студент, и любая помощь очень поможет моему обучению.

12.01.2011

  • Как вы рассчитываете, следует ли рисовать значение сетки? Вы используете окклюзию? 12.01.2011

Ответы:


1

Некоторые указатели для вас: вы можете взглянуть на классические алгоритмы отбраковки, используя такие вещи, как октодерево (или квадродерево в вашем случае),...

12.01.2011
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]