路径追踪：采样理论

路径追踪（Path Tracing）：真实图像生成的物理与统计基础

引言：从数字图像到光照传输的桥梁

数字图像被定义为一个在矩形网格上排列的像素值集合。然而，将这些值传输到物理设备，不仅需要从数值到图像的转换，还需要从数学到物理的转换。这一区别是路径追踪（path tracing）理解的核心：代表特定采样位置处的函数值；而则是具有空间分布和方向分布、能够发光的物理实体。在LCD显示屏上，当从倾斜角度观察时，颜色和亮度会发生显著变化，这正是这一区别的实证（pbrt）。

为计算图像，必须对连续定义的进行采样。在pbrt等大多数光线追踪器中，关于图像函数所能获得的唯一信息是通过追踪光线所获得的采样；没有通用的方法来计算胶片平面上两点之间变化的界限。因此，为了获得最高质量的结果，像素值应按如下方式计算：设备上重建的图像应尽可能接近投影到虚拟相机胶片平面上的原始场景（pbrt）。路径追踪是为此目的而开发的算法中最重要的一种。

路径追踪的哲学与数学基础，源于对光在物理世界中如何传播这一现象所建立的模型：场景被概括为光传输方程（light transport equation）中的一个高维积分，而该积分在解析上无法求解。因此，路径追踪是一种基于随机采样的蒙特卡罗方法，用于求解光传输问题。

物理基础：辐射度学与光照方程

辐射度学（Radiometry）是描述电磁辐射（此处特指可见光）的物理量体系，它为我们提供了量化光照的数学框架。在计算机图形学中，我们使用辐射度学的各个量来描述场景中光的传播与交互。

辐射通量（Radiant Flux / Power）

辐射通量 Φ_e 表示单位时间内通过某表面的总辐射能量，单位为瓦特（W）。这是所有辐射度学量的基础。

辐射强度（Radiant Intensity）

辐射强度 I_e 描述点光源在特定方向上的发光强弱，定义为该方向上单位立体角内通过的辐射通量：

I_e = dΦ_e / dΩ

其中 Ω 表示立体角，单位为球面度（sr）。立体角衡量的是从某一点出发，光线所张开的”范围大小”。

辐射亮度（Radiance）

辐射亮度 L_e 是辐射度学中最核心的量，它描述的是沿特定方向、通过单位投影面积、单位立体角内的辐射通量：

L_e = d²Φ_e / (dA·cosθ·dΩ)

其中 θ 是光线方向与表面法线之间的夹角，cosθ 项将实际面积投影到垂直于光线方向的平面上。辐射亮度的单位为 W/(sr·m²)。

辐射亮度之所以重要，是因为它沿着光线传播时（在真空或透明介质中）保持不变。这一性质使得我们可以用辐射亮度来追踪光线在场景中的传播。

辐射出射度（Radiant Exitance）

辐射出射度 M_e 描述从表面单位面积向所有方向辐射出去的总通量：

M_e = ∫ L_e·cosθ dΩ

积分覆盖上半球空间。

辐射照度（Radiant Irradiance）

辐射照度 E_e 描述到达表面单位面积的总通量，即表面接收到的光照强度：

E_e = ∫ L_e·cosθ dΩ

同样覆盖上半球积分。

光照方程（The Lighting Equation）

光照方程（也称渲染方程，Rendering Equation）由 James Kajiya 于 1984 年提出，它描述了场景中某点辐射亮度的自洽关系。方程的核心思想是：某点沿某方向发出的辐射亮度，等于该点的自发光加上从其他所有方向入射光经表面反射后的贡献之和。

L_o(p, d_o) = L_e(p, d_o) + ∫_Ω f_r(p, d_i, d_o)·L_i(p, d_i)·cosθ dΩ

其中：
– L_o 是点 p 沿出射方向 d_o 的辐射亮度
– L_e 是点 p 的自发光辐射亮度
– f_r 是双向反射分布函数（BRDF），描述光如何表面反射
– L_i 是点 p 从入射方向 d_i 到达的辐射亮度
– cosθ 项处理入射角的影响
– 积分覆盖点 p 处法线所指的上半球 Ω

这个方程是计算机图形学中光照渲染的理论基石，几乎所有的光照模型都是对这个方程的不同近似与求解。

从物理到图形学

在图形学中，我们通常使用简化版的量。例如，”强度（Intensity）”往往对应辐射强度或辐射亮度的简化表示，”光照（Lighting）”则指到达表面的辐射照度。理解这些物理量之间的关系，有助于我们更好地构建和理解各种光照模型。

辐射度量学量值

路径追踪的每一步都建立在辐射度量学量之上。（Φ）指光所携带的功率；而单位面积上所承受的辐射通量则构成了。作为光线传输的基本变量，描述的是在特定方向上，单位面积、单位立体角内所辐射的功率（单位为 W·sr⁻¹·m⁻²）。辐射亮度的守恒特性——即在光线传播过程中，若所处介质既不吸收也不发生散射，则其值保持不变——正是路径追踪所依赖的基本假设之一。

表面上辐射强度的两个分量相加：（直接从光源到达的光）和间接照明（在场景中经过多个表面交互后到达的光）。这一区分正是路径追踪所计算的量本身。

Kajiya 光照方程

1986年，詹姆斯·卡齐亚（James Kajiya）提出的（rendering equation）指出，某一点处的辐射能是所有来自各个方向的贡献之和：

$$L_o(mathbf{x}, omega_o) = L_e(mathbf{x}, omega_o) + int_{Omega} f_r(mathbf{x}, omega_i, omega_o), L_i(mathbf{x}, omega_i),costheta_i, domega_i$$

在该方程中，$L_o$ 表示从表面离开的辐射亮度；$L_e$ 表示表面的自身发射（发射率）；$f_r$ 被称为（BRDF），用于描述光如何在入射与出射方向之间散射；而 $L_i$ 则是入射辐射亮度。在对半球（$Omega$）进行积分时，$costheta_i$ 项用于校正角度的影响（pbrt）。该方程本身并不能直接生成图像，它是一个需要求解的高维积分微分方程。

机制：路径跟踪的统计解法

路径跟踪的核心挑战在于，传感器测量值往往受到噪声干扰，且环境本身具有不确定性。统计方法为这一问题提供了严谨的数学框架，通过概率分布来建模不确定性，并利用观测数据不断更新对系统状态的估计。

贝叶斯推断是这一框架的基础。其核心思想是通过贝叶斯定理，将先验知识与新的观测数据相结合，得到后验概率分布。在路径跟踪中，我们关注的是给定一系列观测值条件下，系统状态（如位置、速度）的后验分布。

卡尔曼滤波是处理线性高斯问题的经典方法。它通过两个关键步骤——预测和更新——递归地估计系统状态。在预测阶段，利用系统动力学模型估计当前状态；在更新阶段，结合新的测量值修正这一估计。卡尔曼滤波能够有效地抑制噪声，提供最优的线性无偏估计。

对于非线性系统，扩展卡尔曼滤波（EKF）通过泰勒展开将非线性模型线性化，从而应用卡尔曼滤波的框架。然而，EKF的精度依赖于线性化的准确性，在强非线性场景下可能表现不佳。

粒子滤波则提供了一种更为通用的解决方案。它通过大量随机样本（粒子）来近似复杂的后验分布，特别适用于高度非线性和非高斯的问题。粒子滤波通过重要性采样和重采样机制，能够跟踪多模态分布，但在计算资源消耗上相对较高。

这些统计方法的共同优势在于，它们不仅能够提供状态的最佳估计，还能够量化估计的不确定性。这种不确定性信息对于后续的决策过程至关重要，例如在危险规避中评估碰撞风险。通过将这些统计估计与决策算法相结合，系统能够在不确定环境中实现更加稳健和智能的路径跟踪。

蒙特卡洛积分

路径追踪使用来近似上述积分。它通过对随机选取的方向进行采样来模拟光线在场景中的传播路径：一条光线从相机发出，与表面发生交互，并在每次碰撞时向新的方向分支（pbrt）。这一过程是求解非线性多维积分的合适方法，因为无法获得解析解。

采样策略与重要性采样

采样是统计推断和数值计算中的核心技术，其目标是通过从目标分布中抽取样本来估计复杂问题的解。不同的采样策略在效率、准确性和适用性上各有优劣。

重要性采样是一种通过从一个易于采样的建议分布中抽取样本来估计目标分布期望值的技术。其核心思想是，当我们难以直接从目标分布中采样时，可以借助另一个分布来间接估计。重要性采样通过为每个样本赋予适当的权重来修正两个分布之间的差异，从而提高估计的准确性。

常见的采样策略包括：

简单随机采样是最基础的方法，每个样本被抽取的概率相同，适用于简单均匀的场景。

马尔可夫链蒙特卡罗（MCMC）方法通过构造一条收敛到目标分布的马尔可夫链来实现采样，特别适合处理高维和复杂分布问题。

重采样技术通过对已有样本进行加权抽取来调整样本分布，常用于粒子滤波和贝叶斯推断中。

重要性采样的关键在于建议分布的选择。理想的情况下，建议分布应尽量接近目标分布，以减少估计的方差。如果建议分布与目标分布差异过大，会导致权重分布极度不均，降低采样效率。

在实际应用中，重要性采样被广泛用于金融风险评估、机器学习和计算物理学等领域，尤其在直接采样困难或成本高昂的场景中展现出重要价值。

与标准路径追踪相比，提升质量的核心机制是（importance sampling）：不再向随机方向进行采样，而是采用聚焦于光照密集区域（例如 BRDF 的峰值处或光源方向）的分布。在半球上采用（cosine-weighted sampling）对朗伯表面尤为有效，因为它能够同时兼顾辐射分布函数与几何衰减项（pbrt）。

直接来源采样（Next Event Estimation）

追踪路径的一个主要弱点在于，对小型光源进行随机采样时会产生高方差。为克服这一问题而提出的直接事件采样（next event estimation）技术，能够在每次碰撞时直接对场景中的光源进行采样，从而捕捉到那些通过间接路径几乎无法找到的照明成分（pbrt）。

采样误差、混叠与频率分析

在数字信号处理领域，采样、混叠和频率分析是三个相互关联的核心概念，它们共同决定了离散信号能否准确还原原始连续信号。理解这些原理对于确保信号处理的准确性和可靠性至关重要。

采样的基本理论源于奈奎斯特-香农采样定理。该定理指出，为了从一个离散采样序列中完全重建原始连续信号，采样频率必须至少是信号最高频率成分的两倍。这个临界频率被称为奈奎斯特频率。当采样频率低于奈奎斯特频率时，信号中的高频成分将会发生混叠现象。

混叠是一种严重的信号失真现象。当采样率不足时，高频信号会被错误地表现为低频信号。这种现象在音频处理中尤为明显，可能导致原本清晰的高频声音变得模糊不清。在图像处理领域，混叠则表现为摩尔纹等视觉伪影，严重影响图像质量。

采样误差的来源是多方面的。首先是量化误差，这是由于模拟信号被转换为离散数值时产生的舍入误差。其次是采样时刻的抖动误差，即时钟精度不足导致的采样时间偏差。此外，采样保持电路的非理想特性也会引入额外的误差。

频率分析是理解信号特征的重要手段。傅里叶变换将时域信号转换为频域表示，使我们能够清晰地观察信号中包含的各种频率成分。快速傅里叶变换（FFT）作为一种高效算法，极大地促进了频率分析在实际工程中的应用。

在实际应用中，为了减少混叠效应，通常会在采样前使用抗混叠滤波器。这种低通滤波器能够滤除高于奈奎斯特频率的成分，从而避免高频信号混入低频区域。滤波器的设计需要在过渡带宽度、阻带衰减和相位特性之间取得平衡。

采样率的选择需要综合考虑信号特性和应用需求。对于音频信号，44.1kHz的采样率已经能够满足人耳可听范围（20Hz至20kHz）的完整还原。而对于高速数据采集系统，采样率可能需要达到兆赫兹甚至更高。

现代信号处理技术还提供了多种先进的采样方法。过采样技术通过以远高于奈奎斯特频率的速率进行采样，然后结合数字滤波来改善信号质量。随机采样和压缩感知等新兴技术则为非均匀采样场景提供了新的解决方案。

在实际系统设计中，还需要充分考虑各种非理想因素的影响。ADC的分辨率、建立时间、信噪比等参数都会直接影响采样精度。同时，电路的噪声、串扰和失真也需要仔细评估和控制。

频率分析结果的正确解读同样重要。谱泄漏现象可能源于信号截断效应，通过合适的窗函数可以有效减轻这种影响。频率分辨率则取决于观测时间长度，更长的观测时间能够获得更精细的频率分辨能力。

总之，采样误差、混叠和频率分析构成了数字信号处理的基础框架。深入理解这些原理，掌握相应的分析和解决方法，对于从事相关领域的工程师和研究人员具有重要意义。随着技术的不断发展，这些经典理论也在持续演进，为各种新兴应用提供坚实的理论支撑。

必须牢记，采样和重建过程都蕴含着近似性。这种情况会导致一种被称为（aliasing）的误差，在动画中通常表现为锯齿状边缘或闪烁现象（pbrt）。这种误差源于采样过程无法捕捉连续函数中的所有信息。

一维信号可以被视为一个表达式，其可以在某个位置进行求值——在采样过程中，我们只知道采样点的值，而对两个采样点之间的行为却一无所知（pbrt）。因此，重建出的信号无法完美地还原原始信号。

频域中的理解

傅里叶分析傅里叶变换

在此框架下，混叠被重新理解为采样频率不足以捕捉信号中的最高频率。在高分辨率图像中——尤其是在细节密集的区域——提高采样频率（即时采样）能够降低混叠的感知影响，但同时也增加了成本（pbrt）。这种平衡在实时应用中构成了一个关键的工程问题。

先进方法与行业维度

改变道路轨迹

为降低单向路经追踪的高方差问题，研究者提出了多种改进方法：双向路经追踪（bidirectional path tracing）同时从相机和光源两端延伸路经并加以连接，该方法在阴影密集和间接光照较强的场景中，相比传统单向方法能够提供更高质量的渲染结果。Metropolis光照传输（Metropolis light transport）则摒弃了随机搜索，转而采用统计意义上的接受-拒绝采样原则来突出重要的路经，在复杂场景中有效地定位那些稀少却贡献显著的射线方面表现出色（pbr）。

实时应用与 炒作

游戏行业中路径追踪的普及与硬件发展并行推进。等专用处理器加速了射线与三角形的求交计算；而方程的简化形式——例如——使得实时帧率下计算间接光照成为可能。这些方法在完整路径追踪所提供的物理精确性与游戏所需的速度之间巧妙地取得了平衡（pbrt）。

医学与科学应用

路径追踪技术不仅为娱乐产业提供了灵感，也为领域带来了启发。光线在组织中的散射、皮肤下方照明的建模等问题都基于相同的光传输方程，并通过基于蒙特卡洛的模拟来解决（pbrt）。这种跨学科的互动表明，路径追踪不仅仅是一种可视化技术，而是一种用于建模扩散现象的通用数学框架。

学术成果与评估

光线追踪是一种基本方法，它将真实图像生成的物理基础与统计方法相结合。通过蒙特卡洛积分求解Kajiya的处理方程，它能够完整且一致地对场景中的光传输进行建模，这正是将其与近似或启发式技术区分开来的最重要特性——。当达到足够的采样量时，结果会收敛到物理上正确的解，而质量仅由采样数量控制。

尽管如此，路径追踪的主要难点在于；在光源较小、阴影锐利以及复杂散射情况下，这一问题尤为突出。因此，文献中不断推出改进的双向路径追踪、Metropolis光传输等先进方法（pbrt）。采样——结合重建过程——也可通过加以关联；而频域分析则是理解质量与成本之间权衡关系的关键工具。

参考文献及进阶阅读推荐：
– Kajiya, J. T. (1986)。《渲染方程》。ACM SIGGRAPH 计算机图形学。渲染方程的原始出处。
– Pharr, M., Jakob, W., Humphreys, G.——《物理渲染：从理论到实现》（pbrt），第 3 版。对射线追踪机制与采样问题进行全面阐述。
– Veach, E. (1997)。《用于光照传输的鲁棒蒙特卡洛方法》。双向射线追踪、 Metropolises 光照传输等先进方法的基础性著作。

本文基于所提供的档案来源中的采样——重构与傅里叶分析框架，以及pbrt在路径追踪方面的学术论述整理而成。

来源说明：本研究依据 https://pbr-book.org/4ed/Sampling_and_Reconstruction/Sampling_Theory 存档文档，采用学术技术评审的格式进行整理与更新。