Современная компьютерная графика предлагает множество различных визуальных эффектов для обработки трехмерных сцен в процессе рендеринга. Тяготы вычисления этих графических эффектов ложатся на пользовательское аппаратное обеспечение, что приводит к необходимости идти на компромисс между производительностью и качеством изображения. В связи с этим актуальной становится разработка систем, способных в автоматическом режиме осуществлять оценку качества трехмерного рендера и изображений в целом. Актуальность данной темы выражается в двух направлениях. Во-первых, возможность предсказывать реакцию пользователей позволит производить более точную настройку графических приложений. Во-вторых, понимание предпочтений может помочь в оптимизации трехмерных сцен путем выявления визуальных эффектов, которые могут быть отключены. В более широком смысле это также создает проблему оптимального управления процессом рендера, при котором станет возможным максимально эффективно использовать наличные аппаратные возможности. Потому значимой задачей становится моделирование процесса рендера трехмерной графики в такой форме, при которой будет максимально просто заниматься ее оптимизацией. Целью настоящего исследования является создание такой модели, которая позволит выполнять этап экспертной оценки для автоматического определения качества трехмерного рендера и использовать его для оптимального управления рендер-конвейером. Также обсуждается ряд важных вопросов, которые требуют особого внимания в рамках исследования. Круг применения разрабатываемой системы включает в себя различные сферы человеческой деятельности, в которых задействовано трехмерное моделирование. Подобная система может стать полезным инструментов как для разработчиков, так и для пользователей, что особенно важно в образовании, разработке видеоигр, технологиях виртуальной реальности и др., где требуется моделировать реалистичные объекты или визуализировать сложные процессы.
1. Costa C.J., Aparicio J.T., Aparicio M., Aparicio S. Gamification and AI: Enhancing User Engagement through Intelligent Systems. arXiv. URL: https://doi.org/10.48550/arXiv.2411.10462 [Accessed 13th May 2025].
2. Koulaxidis G., Xinogalos S. Improving Mobile Game Performance with Basic Optimization Techniques in Unity. Modelling. 2022;3(2):201–223. https://doi.org/10.3390/modelling3020014
3. Luna F.D. Introduction to 3D Game Programming with DirectX 12. Dulles: Mercury Learning and Information; 2016. 900 p.
4. Castorina M., Sassone G. Mastering Graphics Programming with Vulkan: Develop a Modern Rendering Engine from First Principles to State-Of-the-Art Techniques. Birmingham: Packt Publishing Ltd.; 2023. 382 p.
5. Akenine-Möller T., Haines E., Hoffman N. Real-Time Rendering. Boca Raton: CRC Press; 2019. 1045 p.
6. Antamoshkin O.A., Bryukhanova E.R., Antamoshkina V.O., Pikov N.O., Kukartsev V.V., Tynchenko V.V. Implementation of the Wölfflin Formal Statistical Analysis Method Using Fuzzy Logic. In: Journal of Physics: Conference Series: International Scientific Conference "Conference on Applied Physics, Information Technologies and Engineering – APITECH-2019": Volume 1399: Issue 3, 25–27 September 2019, Krasnoyarsk, Russia. Institute of Physics and IOP Publishing Limited; 2019. http://doi.org/10.1088/1742-6596/1399/3/033103
7. Мымликов В.Н., Антамошкин О.А., Фарафонов М.М. Формализация задачи оптимизации рендера компьютерной трехмерной графики как вариант многомерной задачи о рюкзаке. Моделирование, оптимизация и информационные технологии. 2024;12(3). https://doi.org/10.26102/2310-6018/2024.46.3.014
8. Cacchiani V., Iori M., Locatelli A., Martello S. Knapsack Problems – An Overview of Recent Advances. Part II: Multiple, Multidimensional, and Quadratic Knapsack Problems. Computers & Operations Research. 2022;143. https://doi.org/10.1016/j.cor.2021.105693
9. Wang H., Kochenberger G., Glover F. A Computational Study on the Quadratic Knapsack Problem with Multiple Constraints. Computers & Operations Research. 2012;39(1):3–11. https://doi.org/10.1016/j.cor.2010.12.017
10. Cacchiani V., Iori M., Locatelli A., Martello S. Knapsack Problems – An Overview of Recent Advances. Part I: Single Knapsack Problems. Computers & Operations Research. 2022;143. https://doi.org/10.1016/j.cor.2021.105692
11. Vaswani A., Shazeer N., Parmar N., et al. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017, 04–09 December 2017, Long Beach, CA, USA. 2017. P. 5998–6008. https://doi.org/10.48550/arXiv.1706.03762
12. Nomer H.A.A., Alnowibet Kh.A., Elsayed A., Mohamed A.W. Neural Knapsack: A Neural Network Based Solver for the Knapsack Problem. IEEE Access. 2020;8:224200–224210. https://doi.org/10.1109/ACCESS.2020.3044005
13. Zhou Yi., Kuang Zh., Wang J. A Chaotic Neural Network Combined Heuristic Strategy for Multidimensional Knapsack Problem. In: Advances in Computation and Intelligence: Third International Symposium on Intelligence Computation and Applications, ISICA 2008: Proceedings, 19–21 December 2008, Wuhan, China. Berlin, Heidelberg: Springer; 2008. P. 715–722. https://doi.org/10.1007/978-3-540-92137-0_78
14. Afshar R.R., Zhang Yi., Firat M., Kaymak U. A State Aggregation Approach for Solving Knapsack Problem with Deep Reinforcement Learning. In: Proceedings of the 12th Asian Conference on Machine Learning, ACML 2020: Volume 129, 18–20 November 2020, Bangkok, Thailand. PMLR; 2020. P. 81–96. https://doi.org/10.48550/arXiv.2004.12117
15. Liu Z., Lin Yu., Cao Yu., et al. Swin Transformer: Hierarchical Vision Transformer Using Shifted Windows. In: 2021 IEEE/CVF International Conference on Computer Vision (ICCV), 10–17 October 2021, Montreal, QC, Canada. IEEE; 2021. P. 9992–10002. https://doi.org/10.1109/ICCV48922.2021.00986
16. Kim H., Yim Ch. Swin Transformer Fusion Network for Image Quality Assessment. IEEE Access. 2024;12:57741–57754. https://doi.org/10.1109/ACCESS.2024.3378092
17. Hu Zh., Yang G., Du Zh., Huang X., Zhang P., Liu D. No-Reference Image Quality Assessment Based on Global Awareness. PLoS ONE. 2024;19(10). https://doi.org/10.1371/journal.pone.0310206
18. Golestaneh S.A., Dadsetan S., Kitani K.M. No-Reference Image Quality Assessment via Transformers, Relative Ranking, and Self-Consistency. In: 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 03–08 January 2022, Waikoloa, HI, USA. IEEE; 2022. P. 3989–3999. https://doi.org/10.1109/WACV51458.2022.00404
19. He T., Shi L., Xu W., Wang Yu, Qiu W., Guo H. From Pixels to Rich-Nodes: A Cognition-Inspired Framework for Blind Image Quality Assessment. IEEE Transactions on Broadcasting. 2025;71(1):229–239. https://doi.org/10.1109/TBC.2024.3464418
20. Грачева М.А., Божкова В.П., Казакова А.А., Рожкова Г.И. Субъективная оценка качества статических и видеоизображений: методологический обзор. Сенсорные системы. 2019;33(4):287–304. https://doi.org/10.1134/S0235009219040036
21. Peresunko P., Mamatin D., Antamoshkin O., Peresunko E., Nikitin A. Models of Experts for Shaders Estimation of Rendering Complex 3D Scenes in Real Time. In: 2021 3rd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), 10–12 November 2021, Lipetsk, Russia. IEEE; 2021. P. 895–897. https://doi.org/10.1109/SUMMA53307.2021.9632071
