- 左右手坐标系下的默认旋转方向原来是不同的？？左手系顺时针，右手逆时针。(US入门精要4.2.5节)
- 半兰伯特模型：兰伯特模型中的点乘结果偏移+0.5，让非光线直射处也亮
- Schlick菲涅尔近似等式：$F_{schlick}(\bold{v,n})=F_0+(1-F_0)(1-\bold{v}\cdot \bold{n})^5$
- Empricial菲涅尔近似等式：$F_{Empricial}(\bold{v,n}=\max(0,\min(1,bias+scale\times (1-\bold{v}\cdot \bold{n})^{power})))$
法线变换
- 法线变换需要用变换矩阵的逆转置矩阵做变换，推导过程如下：
法线贴图
- 模型空间法线贴图优点：
- 直观，计算简单
- 边界突变少，边界处可通过插值平滑变化（待加深理解）
- 切线空间法线贴图优点：
- 可换给其他模型使用
- 可实现UV动画
- 纹理对于一个模型内也可重用
- 可压缩，省略Z坐标
其他纹理
渐变纹理，我的理解是将漫反射光照结果映射到我们自定义的纹理上遮罩纹理，单纯的遮罩纹理就是用于计算时mask其他纹理的某些部分，避免它们加入到计算中
Bloom效果（后处理）
- 以某个阈值提取出画面中亮的部分做一次模糊，然后与原图混合
运动模糊
- 累计缓存：多张图像结果混合（在一帧渲染多次场景）
- 速度缓存：保存之前的渲染结果混合
- 速度映射图：用上一帧的VP矩阵对这一帧的顶点做变换，与本次变换结果做插值即可得到速度映射图。然后用速度值决定模糊的方向和大小
优化
设计模式-优化型
优化型模式 - 浅墨感觉优化型的设计模式的思想有一种通用性，所以优先弄明白，在面试时候就有问到开放题可以使用其中思想优化（有次现场想了个很nice的算法呀，延迟数组的删除操作替换成脏标记，等到一定时机整理一遍，有垃圾回收算法的感觉在里面了，但是那次面试官很敷衍，好像get不到）
数据局部性模式 Data Locality，通过保证处理的数据排列在连续内存上，以提高内存局部性，从而提高性能脏标识模式 Dirty Flag，使用脏标记来判断是否需要重新计算对象池模式 Object Pool，顾名思义空间分区模式Spatial Partition，将对象存储在基于位置组织的数据结构中，来有效的定位对象
求凸包算法
分治法：每次寻找将点集划分为上下包，上包再上没有点则这部分以及找到，反之找下包。具体算法如图
Jarvis步进法：从最下方的点开始，以每个其他点和它的连线的夹角为条件，找出最下夹角作为下一个凸包点。
Melkman算法，待深入学习
BVH树构建
二叉树，叶子节点存储物体，中间节点存储包围盒，用递归的方式自底向上组织，需要的数据是全部物体的list，下面需要确定list中物品的排序和划分算法：
- 决定在xyz哪一条轴上进行划分，优先在物体分散的轴
SAH表面积启发式算法（Surface Area Heuristic）决定划分方式：假设在list中切一刀，划分成A、B两个包围盒，那么可以通过最小化损失函数的思想来优化AB的划分。在SAH算法中表现为最小化AB包围盒的面积差
两直线求最短距离
推导看懂了，但是怎么解释呢？待
PCF和PCSS
PCF, percentage closer filter, 用于生成软阴影。思路是用采样点在光源空间的深度，和采样点周围的shadow map储存的深度都做一次比较，将比较结果(1 or 0)平均或加权平均，就可以得到[0, 1]之间的软阴影。
PCSS, percentage closer soft shadows, 在PCF的基础上生成更真实的软阴影。对于PCF中的周围，即filter的大小，有越大越软这样的关系。而一个采样点的阴影到底要多软，实际上与光源->遮挡物边缘->阴影 这三者距离比值有关，简单来说就是遮挡物离光源越近，那么对应的半影面积越大，即阴影越软。所以我们动态调整fiter的大小，从而生成更符合物理世界效果的阴影。要实现PCSS主要有以下三步：
- 以一定范围内的遮挡距离（即shadow map的值）平均得到一个平均遮挡距离。这里的实现方式待深入，理论上是以光源照射到采样点的过程中投影到shadow map上的那一部分进行平均
- 以平均遮挡距离计算filter大小
- 以filter大小进行PCF计算软阴影
VSSM
VSSM：Variance Soft Shadow Mapping，对PCSS进一步优化。在原有的shadow map中，利用二维前缀和(Summed Area Tables, SAT)实现快速求区域均值，利用方差公式：$Var(X)=E(X^2)-E^2(X)$实现快速求区域方差，再利用均值和方差作为高斯分布的参数，用这样一个正态分布来近似该区域shadow map中的值的分布。又因为高斯分布可以转换为标准高斯分布，可以直接利用查表来计算其$CDF(x)$。但是我们不使用正态分布，而是用切比雪夫不等式得到约束关系$P(x>t)\leq \frac{\sigma^2}{\sigma^2+(t-\mu)^2}$，其中$\sigma$为方差、$\mu$为均值，我们可以直接用此不等式作为近似公式来计算上文中PCF结果
对于PCSS中第一步，由于我们需要求遮挡物的均值$Avg_{block}$，而SAT的结果是全部的均值，此时我们可以假设非遮挡物的均值为采样点的深度，非遮挡物在shadow map中占的比值$k$则通过切比雪夫不等式近似，由此可得$AVG_{block}=\frac{AVG_{all}-k*AVG_{notblk}}{1-k}$
Moment Shadow Mapping
在VSSM中，如果区域内遮挡物深度值的分布非常地“不正常”，就会导致切比雪夫不等式估值结果偏离太多，以至于出现阴影中有亮光的情况(light leaking)。我们可以存储矩阵的1到m阶的moment(矩)，可以更好得拟合真实分布。（具体实现算法需要看论文）