【02】从零开始的卡通渲染-着色篇1

本文探讨了卡通渲染中的光照计算方法,包括减少色阶、冷暖色调分离、手绘控制和Ramp贴图的应用,以实现赛璐璐和厚涂风格的卡通效果。着重介绍了《GUILTYGEARXrd》中的ilmTexture和相关技术细节。

序言:

接上一篇的描边篇,整理成一个专栏了。在本节中,我们开始讨论卡通渲染的一些光照计算方法。

如何让角色看起来卡通

思考一下,究竟是哪些因素,让我们觉得角色是卡通的呢。我觉得可以先从下面3点入手
1.减少色阶数量
2.冷暖色调分离
3.对明暗区域的手绘控制

减少色阶数量

冷暖色调分离

在美术上根据颜色区分为暖色调(红色,黄色)和冷色调(蓝色、紫色)。在偏真实的光照计算中,往往只计算一个明暗关系,然后由光和物体的颜色决定最终效果。而卡通渲染则会根据明暗关系,为明面和暗面分配不同色调的颜色。比如一个暖色调的明面,配合一个冷色调的暗面。将色调拉开以后,更进一步给人卡通感。相关链接 tone-based-shadin
在《GUILTY GEAR Xrd》游戏中,绘制了一张称为SSS Texture的贴图,来对暗面的色调进行调整。

对明暗区域的手绘控制

在手绘动画中为了好的画面效果,往往其明暗的分布并不是完全正确的。最明显的,角色的脖子部分通常都出现明显的阴影。经典光照计算的结果是非常“正确”的,因而缺少卡通的手绘感。需要用其他方式对光照的计算结果进行调整。 下面介绍一下《GUILTY GEAR Xrd》中是如何对明暗区域进行手绘控制的

灯光方向控制:

卡通渲染的角色在部分灯光方向下,可以有最佳的画面表现。有时候这个灯光方向和场景灯光或者其他角色的灯光方向不一致。为了让每个角色都有最佳表现,最好每个角色有一盏自己的灯光方向。甚至当这个角色转向时,这个灯光也跟着角色做一定程度的转向,来让角色有一个更好的光影表现。

Threshold贴图控制:

《GUILTY GEAR Xrd》中将这张贴图称作ilmTexture。为了减少歧义,我们这里也这么称呼好了。
这张贴图有些类似于AO贴图,不过它是对光照计算的结果进行一些倾向性的修正。让一部分区域,比如角色脖子的部分更容易产生阴影。来达到手绘风格的阴影效果。

法线方向控制:

法线控制有两种方法,一种是直接编辑法线,达到想要的光照结果。一种是创建一个平滑的简单模型,然后将其法线传递到复杂物体上,达到优化阴影的效果。Maya自带法线传递的功能,3ds Max可以通过插件 Noors Normal Thief 实现法线传递的功能。

赛璐璐风格插画

赛璐璐片是一种塑料卡片,在早期日本动画制作流程中的,画师会在赛璐璐材质的塑料卡片上对原画进行上色。其特点为通常只有明暗2个色阶,明暗变化的交界非常明显。现在这种风格的卡通渲染比较流行。在本篇中,也将实现偏向这种风格的卡通渲染。

厚涂风格插画

厚涂风格相较赛璐璐风格,色阶更多,明暗交界变化会柔和很多。这个风格也有它的好处,因为3D场景比较难做成赛璐璐的。如何让赛璐璐风格的角色和非赛璐璐的场景融合是也许需要考虑的。厚涂风格的角色会更容易和场景进行融合。

双色阶的渲染实现

首先我们实现一个明暗边界分明的光照效果,并支持分别设置明暗区域的颜色,设置暗面颜色为冷色调,和明面的色调做出区分。
    
    
    
Shader "Unlit/CelRender" { Properties { _MainTex ( "MainTex" , 2D ) = "white" { } _MainColor ( "Main Color" , Color ) = ( 1 , 1 , 1 ) _ShadowColor ( "Shadow Color" , Color ) = ( 0 . 7 , 0 . 7 , 0 . 8 ) _ShadowRange ( "Shadow Range" , Range ( 0 , 1 ) ) = 0.5 _ShadowSmooth ( "Shadow Smooth" , Range ( 0
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值