Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MISLENE DA SILVA NUNES
DATA: 22/02/2021
HORA: 14:00
LOCAL: Sala virtual: https://meet.google.com/mwj-pxfg-ihu
TÍTULO: Criação de Materiais Compostos por BRDFs Tabulares
PALAVRAS-CHAVES: BRDFs, Materiais, Redução de Dimensionalidade, Agrupamento.
PÁGINAS: 86
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO:
Na representação computacional do que é visto no mundo real, a modelagem da aparênciabusca representar a forma como os materiais refletem a luz em uma certa direção sob diferentesconfigurações de iluminação. Essa modelagem é feita através de funções de refletância. Nestetrabalho, temos como foco a Bidirectional Reflectance Distribution Function - BRDF (Função deDistribuição de Refletância Bidirecional), que descreve a refletância em um ponto na superfícieatravés do quociente entre a radiância refletida e a irradiância incidente neste ponto. Essa funçãopode ser representada computacionalmente de diferentes formas, onde destacam-se amostrastabulares, modelos analíticos e a combinação linear de uma base de BRDFs preexistentes. Porserem obtidas a partir de medições, as BRDFs representadas por amostras tabulares apresentamum alto grau de realismo ao custo de um processo de aquisição mais demorado e um elevadoespaço de armazenamento. Tendo como objetivo a criação de materiais inéditos e com aparênciarealista, este trabalho propõe um pipeline para gerar novos materiais a partir de uma base deBRDFs tabulares. Para isso, uma reamostragem baseada nas características de refletância érealizada na base e, em seguida, as BRDFs são agrupadas a fim de obter grupos com característicassemelhantes. A partir da seleção de BRDFs de um ou mais grupos de interesse, é propostauma abordagem para criar materiais inéditos que apresentam características de refletância dosgrupos de interesse. Essa abordagem combina um método de redução de dimensionalidade a umalgoritmo de agrupamento. Dessa forma, novos materiais foram criados utilizando o pipelineproposto com diferentes métodos de redução de dimensionalidade lineares (Principal ComponentAnalysis - PCA e Multidimensional Scaling - MDS) e não-lineares (Isometric Feature Mapping- ISOMAP e Locally Linear Embedding - LLE) combinados a algoritmos de agrupamento(k-means e k-medoids), e uma análise dos resultados obtidos foi realizada.