跳到主要内容

材质与间接光照:渲染方程与蒙特卡洛

Whitted 光追只处理点光源和纯镜面材质,磨砂金属、面光源、次表面散射一概拒绝。真正的物理光传输需要一个统一的数学框架——1986 年 Jim Kajiya 提出渲染方程(The Rendering Equation),从此计算机图形学有了自己的 Maxwell 方程。

1. 渲染方程​

场景中某点 x\mathbf{x} 沿方向 ωo\omega_o 射出的辐射(radiance)为:

Lo(x,ωo)=Le(x,ωo)+∫Ω+fr(x,ωi,ωo) Li(x,ωi) (n⋅ωi) dωiL_o(\mathbf{x},\omega_o)=L_e(\mathbf{x},\omega_o)+\int_{\Omega^+} f_r(\mathbf{x},\omega_i,\omega_o)\,L_i(\mathbf{x},\omega_i)\,(\mathbf{n}\cdot\omega_i)\,d\omega_i
  • LeL_e:自发光项(光源本身)
  • frf_r:双向反射分布函数(BRDF),描述表面材质
  • Li(x,ωi)L_i(\mathbf{x},\omega_i):从方向 ωi\omega_i 入射到 x\mathbf{x} 的辐射
  • n⋅ωi\mathbf{n}\cdot\omega_i:Lambert 余弦项,表面法线与入射方向的夹角
  • Ω+\Omega^+:法线所在半球

LiL_i 又依赖于场景里其他点的 LoL_o——这是一个递归积分方程。展开后可以写成 Neumann 级数:

L=Le+TLe+T2Le+T3Le+…L=L_e+TL_e+T^2L_e+T^3L_e+\dots

其中 TT 是光传输算子。物理直观:LeL_e 是直接光,TLeTL_e 是一次弹射的间接光,T2LeT^2L_e 是两次弹射后的间接光……

这个方程无法解析求解。有限元方法(Radiosity, 1984)只适用于漫反射;光栅化管线只能算 Le+L_e+ 局部直接光。要算完整的 LL,工业界的共识答案是蒙特卡洛积分。

2. 蒙特卡洛路径追踪​

蒙特卡洛的核心是用随机采样估计积分:

∫f(x)dx≈1N∑i=1Nf(Xi)p(Xi),Xi∼p\int f(x)dx\approx\frac{1}{N}\sum_{i=1}^N\frac{f(X_i)}{p(X_i)},\quad X_i\sim p

p(x)p(x) 是采样分布,NN 是样本数。估计的方差正比于 1/N1/N,标准差正比于 1/N1/\sqrt N——样本数翻 4 倍才能把噪声减半。这是路径追踪慢的根本原因。

路径追踪(Kajiya, 1986)把渲染方程的递归展开成一条从相机出发的随机路径:

    eye ──primary──► P0
│ (采样一个反射方向)
▼
P1
│
▼
P2 ──► light

每个交点做两件事:

  1. 直接光估计:向光源采样,判可见性,加上 Le⋅fr⋅cos⁡θ/plightL_e\cdot f_r\cdot\cos\theta / p_{\text{light}}
  2. 间接光估计:按 BRDF 采样一个方向,递归

伪代码:

Color trace(Ray r, int depth) {
Hit h = scene.intersect(r);
if (!h) return env(r.d);
Color Le = h.mat.emission;
if (depth > MAX) return Le;

// 直接光
auto [wl, Ll, pl] = sample_light(h.p);
Color direct = (visible(h.p, wl))
? Ll * h.mat.brdf(r.d, wl) * dot(h.n, wl) / pl
: black;

// 间接光
auto [wi, pi] = h.mat.sample_brdf(r.d, h.n);
Ray next = { h.p, wi };
Color indirect = trace(next, depth+1) * h.mat.brdf(r.d, wi) * dot(h.n, wi) / pi;

return Le + direct + indirect;
}

3. 重要性采样​

盲目均匀采样半球是灾难。假设一个高光很强的塑料表面,BRDF 集中在反射瓣附近 5° 内,均匀采样 1000 个方向里只有几个落进有效区域,其他贡献几乎为零——大部分算力浪费。

重要性采样:让采样分布 p(x)p(x) 尽可能贴合被积函数 f(x)f(x),最理想 p∝fp\propto f 时方差为 0。

常见采样策略:

  • BRDF 采样:对镜面材质按镜面瓣,对漫反射按 cos⁡θ\cos\theta 分布,对 GGX 微表面按可见法线分布。见 BRDF 与材质系统
  • 光源采样:直接在光源表面均匀采点,p=1/Alightp=1/A_{\text{light}}
  • 环境贴图采样:把 HDR 环境贴图按亮度构建 CDF,往亮的方向多采

余弦加权半球采样(Lambert 表面的标配):

θ=arccos⁡(ξ1),ϕ=2πξ2\theta=\arccos(\sqrt{\xi_1}),\quad \phi=2\pi\xi_2

其中 ξ1,ξ2∈[0,1)\xi_1,\xi_2\in[0,1) 是均匀随机数。这个变换正好让 p(ω)=cos⁡θ/πp(\omega)=\cos\theta/\pi,与 Lambert BRDF 的 cos⁡\cos 项抵消。

4. 俄罗斯轮盘赌​

路径不能无限递归。硬截断(比如 depth > 8 就停)会引入偏差(bias)——高阶弹射的能量被完全丢弃,场景整体偏暗。

俄罗斯轮盘赌(Russian Roulette, Arvo & Kirk, 1990)用概率性终止保持无偏:

每次弹射结束:
以概率 q 终止,返回 0
以概率 1-q 继续,把当前 throughput 乘以 1/(1-q)

数学:期望值不变。设 LL 是继续路径的期望,则

E[result]=q⋅0+(1−q)⋅L1−q=LE[\text{result}]=q\cdot 0+(1-q)\cdot\frac{L}{1-q}=L

qq 一般取 1−max⁡(throughput)1-\max(\text{throughput})——路径越暗越早终止。这是自适应的样本预算分配:给高贡献路径更多计算。

5. 多重重要性采样(MIS)​

单一策略采样常有盲区。BRDF 采样对小光源很差(光源方向几乎不采到),光源采样对镜面材质很差(BRDF 值几乎全在光源方向外)。

MIS(Veach & Guibas, 1995)把多种策略结合起来。用 nn 种采样分布 p1,…,pnp_1,\dots,p_n,取样后按加权和估计:

F^=∑i=1n1ni∑j=1niwi(Xi,j)f(Xi,j)pi(Xi,j)\hat F=\sum_{i=1}^n\frac{1}{n_i}\sum_{j=1}^{n_i}\frac{w_i(X_{i,j})f(X_{i,j})}{p_i(X_{i,j})}

平衡启发式(balance heuristic)给出方差近乎最优的权重:

wi(x)=nipi(x)∑knkpk(x)w_i(x)=\frac{n_i p_i(x)}{\sum_k n_k p_k(x)}

幂启发式(power heuristic)wi∝(nipi)βw_i\propto (n_i p_i)^\beta(β=2\beta=2 常用)在实际中噪声更低。

一个直观例子:拿 BRDF 采样和光源采样各来一次,MIS 保证在两种极端场景(大光源、小光源)下都不崩。Cycles、Arnold、PBRT 的核心就是 direct lighting 用 MIS。

6. 双向路径追踪与光子映射简介​

有些场景路径追踪很痛苦:

  • 焦散(caustics):光透过玻璃球在地面聚成亮斑。从眼睛出发几乎采不到玻璃球正好折射到那一点的路径
  • 小孔从暗室看外界:光路极稀疏

这两类问题的答案是双向策略。

6.1 双向路径追踪(BDPT)​

Lafortune & Willems (1993), Veach & Guibas (1994)。从眼睛发一条子路径 x0,x1,…,xs\mathbf{x}_0,\mathbf{x}_1,\dots,\mathbf{x}_s,从光源发一条 y0,y1,…,yt\mathbf{y}_0,\mathbf{y}_1,\dots,\mathbf{y}_t,然后尝试连接每对端点。

    eye ── x0 ── x1 ── x2
╲
╲ 连接
╱
light ── y0 ── y1 ─╯

每种 (s,t)(s,t) 组合是一种采样策略,用 MIS 结合。BDPT 对焦散和困难光路显著改善路径追踪的收敛。代价是内存和实现复杂度飙升。

6.2 光子映射​

Jensen (1996)。分两阶段:

  1. 光子发射阶段:从光源发大量光子,反射折射后落到表面存下来,形成一个光子图(用 k-d 树索引)
  2. 渲染阶段:从眼睛发射线,在交点处查询附近 kk 个光子密度作为间接光估计

光子映射在焦散上无敌——直接跟着光走。缺点是有偏(bias)——光子密度估计依赖搜索半径。Progressive Photon Mapping (Hachisuka, 2008) 用渐进方式让偏差随样本数趋 0,成为兼具无偏和高效的方案。

6.3 Metropolis Light Transport​

Veach & Guibas (1997)。用马尔可夫链 Monte Carlo,在"路径空间"里随机游走,接受/拒绝新路径。特长是局部探索——找到一条重要路径后可以在它附近变异出许多类似路径。极难场景的救星,但收敛与场景高度耦合,工业界用得少。

7. 收敛与噪声的经验数据​

在一个中等场景(Cornell Box + 玻璃球 + 面光源)里估计像素颜色:

方法达到"视觉可接受"所需样本
均匀采样> 10,000 spp
BRDF 重要性采样500 spp
MIS(BRDF + light)100 spp
BDPT50 spp(对焦散)
光子映射20 spp + 100 万光子

spp = samples per pixel。1080p 图像 100 spp 意味着约 2 亿条路径,每条 3-5 次弹射,10 亿次射线-场景求交。这就是为什么离线渲染需要几分钟到几小时一帧,也是为什么实时光追必须大幅降低 spp 然后靠降噪算法补救。

8. 与光栅化间接光照方案的对比​

方案类型精度实时
路径追踪每帧完整解高(无偏)否(离线)
Lightmap 烘焙预计算漫反射中,仅静态是
Voxel Cone Tracing体素近似低,仅漫反射是
SDF/SSGI屏幕空间低,有漏光是
Lumen(UE5)混合,硬件加速中高是(RTX GPU)
RTXGI/DDGIProbe + 光追中,delayed是

游戏引擎的路径是混合:直接光和高频反射用光追精确算,低频间接光用 Probe/Voxel 缓存。这些工程妥协的动机就是"我们付不起 100 spp/帧"。

渲染方程仍是那个渲染方程,只不过每个人都在用不同的方式作弊——任何看起来对的近似都是好近似。理论完整了 40 年,工程博弈才刚开始。