電腦圖形學感覺都是在搞一些很膚淺的東西 -- 如果你覺得電腦圖形學膚淺, 可能是因為你還沒有意識到在電腦上重現大自然有多復雜.
電腦圖形學是一門對個人的綜合素質要求比較高的學科.視乎研究的具體方向不同, 需要研究者有很好的編程功力(獨立完成計畫), 很好的數學功底: 幾何, 微分幾何, 偏微分方程式, 常微分方程式, 機率論和統計學(machine learning), 數值方法, 物理學(聲,光,材料力學, 流體力學, 熱學....), 還有心理學, 良好的文學以及藝術修養.
雖然電腦圖形學的"研究成果"大多都是用在娛樂業上, 但是電腦圖形學的"研究過程", 堪比任何一門聽起來更高大上的學科. 我為什麽敢這樣說呢? 因為我有例子.
例子1: 電腦圖形學對於現實世界光學的真實再現.(physically based rendering)
為了真實地在電腦上再現人肉眼看到的東西, 人們必須去理解光與幾何的作用過程, 並透過程式把它計算出來. 現實世界的光學比我們所理解得還要復雜, 於是乎, 我們需要研究和學習:
采樣理論:
數值積分:
Monte Carlo integration各種光照模型:
Global illumination
Bidirectional reflectance distribution function
Subsurface scattering
Scattering
等,
想要真實地再現一個物理場景, 電腦圖形學的研究者需要去學習和研究真實的物理光學的模型, 並把將這些過程編成電腦程式, 從而讓電腦能夠去計算出結果和影像.
所以在這一點上, 電腦圖形學, 也是物理(光學)模型的一個試金石. 對還是不對, 渲染出來看一看. 騙得過人眼嗎?
例子2 : 電腦圖形學, 研究人對於圖案的意識過程, 並讓電腦由產生更好的design.
比如從二維手繪自動生成三維模型(
True2Form: 3D Curve Networks from 2D Sketches via Selective Regularization):
例子3: 計算圖形學研究藝術的思維, 並嘗試讓電腦來生成風格化的藝術:
Stylizing Animation By Example
http://
graphics.pixar.com/libr
ary/ByExampleStylization/mainVideo.mov
例子4:
電腦圖形學, 研究基礎的幾何計算問題, 並讓與之相關的工程數值計算領域收益
Tetrahedral Mesh Generation by Delaunay Refinement
例子5:
電腦圖形學, 研究基礎的數值數學與物理, 從而允許電腦透過計算來重現真實:
https:// disney-animation.s3.amazonaws.com /uploads/production/publication_asset/94/asset/SSCTS13_2.pdf
Walt Disney Animation Studios
Adaptive Tearing and Cracking of Thin Sheets
http://
graphics.berkeley.edu/p
apers/Pfaff-ATC-2014-07/adaptiveCracks.mp4
Detailed Water with Coarse Grids Combining Surface Meshes and
Adaptive Discontinuous Galerkin
Essex Edwards
and many more:
Ron Fedkiw例子6: 電腦圖形學甚至研究聲音的形成, 並利用物理輸入再現它:
Toward High-Quality Modal Contact Soundhttp://www. cs.cornell.edu/projects /Sound/mc/ModalContactSound2011_high.mov例子7: 電腦圖形學, 研究人體和動物的肌肉運動力學, 並試圖在電腦上重現真實的運動：
http://www. cs.ubc.ca/~van/papers/2 013-TOG-MuscleBasedBipeds/index.htmlhttp:// vimeo.com/79098420
我所說的這些東西, 還只是電腦圖形學所有研究內容的冰山一角...放在這個答案裏只做一個拋磚引玉的作用...CG的研究範圍很廣, 研究內容很多, 你可以說它明明是物理，人工智慧，數值數學等的研究範圍了，這是因為現在的圖形學研究，隨著不斷增長的電影工業和研究者本人的興趣不同，早已超越了圖形學本身，延伸進了科學研究的各個方面. 圖形學的研究, 同時也加深了我們對物理世界甚至人類自身的理解, 發展著計算方法的同時，也驗證著我們已有的物理模型.
說了這麽多關於CG的, 我覺得有必要提一些關於machine learning的:
(看題主這麽熱情，我一句不說也不好).
我對machine learning了解得不是很多, 只能說一些在數值方法角度講它與CG學的研究的共通之處:
突最佳化問題的求解需要大量的高維線性方程式組求逆演算法, 大規模並列，代數多尺度網格，preconditioning, 稀疏矩陣，gradient descent…其中的很多數學與cg的物理模擬演算法中的數學都是相通的.
machine learning面對的問題維度更高, 對高維度的物件做積分時，我們一樣使用monte carlo 數值積分演算法來加快積分求解速度.
這種課題背景不同，實質理論卻想通的現象是現代套用科學中的本質現象， 題主問出這樣的問題，可能部份也是因為對本質之不查?
