路径追踪：延伸阅读

路径追踪：光照传输的随机解法与物理渲染的基础

引言与概念基础

路径追踪（路径追踪）是物理正确图像生成的核心算法之一，它通过随机方法模拟光在场景中的所有相互作用，包括直接和间接照明。该算法由于20世纪80年代末提出，其数学框架被称为《渲染方程》（Işık Denklemi），被视为真实图像生成领域的一个里程碑。路径追踪是该方程通过蒙特卡洛积分方法求解的自然结果，从而为光与物质的相互作用提供了一种基于物理、符合光学定律的模拟框架（Kajiya 1986）。

在基于追踪（tracing）的渲染方法的历史发展中，提出的光线追踪技术开启了这一进程，并以层级递进的方式逐步深化了反射/折射等效果，为路径追踪（path tracing）奠定了哲学基础。Kajiya的贡献则在于将这一思想转化为通用的光照传输方程，将所有表面交互统一纳入单一积分框架之中（Pharr et al. 2016）。

# 渲染方程：光方程及其含义

渲染方程（Rendering Equation）是计算机图形学中的一个核心方程，由 James Kajiya 于 1986 年提出。它为场景中的光照提供了完整的数学描述，是现代渲染技术的理论基础。

## 数学表达式

渲染方程的标准形式如下：

$$L_o(p, omega_o) = L_e(p, omega_o) + int_{Omega} L_i(p, omega_i) cdot f_r(p, omega_i, omega_o) cdot (omega_i cdot n) , domega_i$$

其中各参数的含义为：

– $L_o(p, omega_o)$：点 $p$ 沿观察方向 $omega_o$ 出射的光照强度
– $L_e(p, omega_o)$：点 $p$ 自身发射的光照强度（发射项）
– $L_i(p, omega_i)$：从入射方向 $omega_i$ 到达点 $p$ 的光照强度
– $f_r(p, omega_i, omega_o)$：双向反射分布函数（BRDF），描述光线的反射特性
– $n$：点 $p$ 表面的法向量
– $Omega$：以法向量 $n$ 为轴的半球空间
– $omega_i cdot n$：入射光方向与法向量的点积（余弦因子）

## 物理含义

渲染方程描述了一个自洽的递归关系。场景中的每个点接收到的光照，不仅来自直接光源，还来自周围所有其他点反射和散射过来的光照。这种相互光照（inter-reflection）正是渲染方程的核心思想。

方程可以分为两个主要部分：

1. 发射项（$L_e$）：描述物体自身作为光源发出的光
2. 反射项（积分部分）：描述物体接收并重新分布周围所有方向入射光的结果

## 应用价值

渲染方程的重要意义在于：

– 提供了全局光照的完整数学框架
– 为光线追踪、辐射度算法等技术奠定了理论基础
– 能够模拟间接光照、颜色溢出、软阴影等真实光照效果

通过数值方法求解这个积分方程，计算机可以生成高度逼真的三维场景图像。

路径追踪的数学核心可以用下面的来表示：

$$L_o(mathbf{p}, omega_o) = L_e(mathbf{p}, omega_o) + int_{Omega} L_i(mathbf{p}, omega_i), f_r(mathbf{p}, omega_i, omega_o) (omega_i cdot mathbf{n}), domega_i$$

在该方程中，$L_o$ 表示输出方向上的辐射亮度，$L_e$ 表示表面自身发射的光（emission），$f_r$ 则表示被称为（BRDF）的函数，它描述了材料如何散射光。积分项用于计算来自整个半球的所有入射辐射亮度（$L_i$）在表面上的累积。由于该积分过于复杂而无法进行解析求解，因此路径追踪（path tracing）通过采样（Monte Carlo）来求其近似解（Pharr 等，2016）。

# 算法机制：工作原理

## 核心算法类型

### 1. 协同过滤（Collaborative Filtering）

用户协同过滤
通过分析用户的历史行为数据，找出具有相似偏好的用户群体，基于”相似用户喜欢的内容，你也会喜欢”的逻辑进行推荐。

物品协同过滤
根据物品之间的相似性进行推荐，即”购买了该物品的用户也购买了其他物品”。

### 2. 基于内容的推荐（Content-Based）

通过分析物品的特征属性（如标签、类别、关键词等），推荐与用户历史偏好相似的内容。

### 3. 深度学习模型

现代推荐系统广泛采用神经网络架构：
– 深度神经网络（DNN）：处理用户与物品的交叉特征
– 序列模型（RNN/Transformer）：建模用户行为的时间序列
– 双塔模型（Two-Tower）：高效的用户和物品表示学习

## 推荐流程

“
用户请求 → 召回阶段 → 排序阶段 → 结果输出
“

召回阶段（Retrieval）
从海量物品库中快速筛选出候选集，通常使用多种召回策略并行处理。

排序阶段（Ranking）
对候选物品进行精确打分排序，综合考虑相关性、热度、多样性等因素。

## 关键影响因素

| 因素 | 说明 |
|——|——|
| 用户历史行为 | 点击、购买、收藏、浏览时长 |
| 实时上下文 | 时间、地点、设备等 |
| 物品热度 | 流行度与长尾的平衡 |
| 多样性 | 避免信息茧房效应 |

## 冷启动问题

新用户冷启动
通过注册信息、初始兴趣选择等方式快速建立用户画像。

新物品冷启动
利用内容特征和相似物品进行初步推荐，积累初始数据。

前进与后退方向的路径跟踪

路径追踪可以沿两个基本方向进行。（forward）通过追踪从相机发出的光线来尝试到达场景中的光源，但由于找到光源的概率较低，这种方法效率不高，尤其对于较小或较远的光源而言。相反，（backward）为相机发出的每个像素生成随机方向，这种方法在广角场景中更为高效。将这两种方法结合起来则可以通过实现；在这里，通过从相机和光源两端构建路径片段，在解决诸如间接照明（indirect illumination）等复杂情况时能够实现显著改进。

采样重要性：聚焦采样

采样重要性是一种通过智能选择采样点来提高蒙特卡罗估计效率的技术。其核心思想是：在概率密度较高的区域多采样，在概率密度较低的区域少采样，从而使估计结果更加准确。

在传统的均匀采样中，所有采样点的权重相同。而在采样重要性中，每个采样点会根据其对应的概率密度被赋予不同的权重。概率密度越高的点，权重越大；概率密度越低的点，权重越小。

具体而言，采样重要性通过引入一个建议分布（proposal distribution）来实现。这个建议分布被设计成能够更好地匹配目标分布，使得采样点能够集中在对估计结果贡献较大的区域。每个采样点的权重则通过目标分布与建议分布的比值来计算。

采样重要性的优势在于能够显著减少估计的方差。在传统的均匀采样中，如果目标分布集中在某个特定区域，那么大量的采样点可能会落在无关紧要的区域，从而导致估计误差增大。而采样重要性通过将采样点集中在关键区域，有效地避免了这一问题。

在实际应用中，采样重要性被广泛用于贝叶斯统计、物理模拟、金融工程等领域。例如，在贝叶斯推断中，后验分布往往形式复杂，难以直接采样。此时可以通过采样重要性，利用一个易于采样的建议分布来近似后验分布，从而提高估计的准确性和效率。

总之，采样重要性是一种高效的采样技术，通过智能分配采样点和权重，显著提高了蒙特卡罗估计的精度和效率。它在许多科学和工程领域都有着广泛的应用价值。

路径追踪效率的关键在于。随机采样所带来的高方差，可以通过更频繁地选择物理上有意义的方向（例如指向光源的方向或反射方向）来加以降低。针对BRDF的峰值进行采样，并采用等方法，即可有效降低噪声水平。这一技术同样适用于相机系统；例如，在采用薄透镜（thin lens）模型计算景深时，Cook所提出的方法将光源作为一个小圆盘而非点进行采样，从而生成逼真的效果（Cook et al. 1984；Cook 1986）。

俄罗斯轮盘赌与路径管理

为防止无限循环，路径追踪依赖于在随机选择的深度处通过（Russian Roulette）方法消除光线。这项技术在统计上无偏地剔除低贡献路径的同时，通过保留路径片段的权重，避免了期望值计算的失真（Pharr 等，2016）。

行业与应用维度：从相机模拟到降噪

光学镜头与物理成像效应

路径追踪在现代渲染系统中也被用于模拟相机光学的物理效应。这一方法始于（1995）的研究，它实现了真实相机成像效应对光照追踪的模拟；而对应的模型正是建立在这一基础之上的。后续研究进一步纳入了波长相关的效应，以及与耀光效果：Steinert等人（2011）改进了模拟的细节，Joo等人（2016）则对非球面镜头中路径采样点的衍射进行了建模。及其同事通过多项式近似镜头系统，从而降低了射线追踪的成本；Hanika与Dachsbacher则将这一方法与双向路径追踪相结合（Hullin等人2012；Hanika与Dachsbacher 2014）。

运动模糊与景深

运动模糊

蒙特卡洛噪声与去噪方法

蒙特卡洛噪声是光线追踪渲染中常见的一种噪声类型，它源于对每个像素采样光线数量的有限性。由于场景中光线的随机采样，渲染结果会呈现出颗粒状或点状的视觉伪影，这种现象在低采样率下尤为明显。

为了消除或减轻蒙特卡洛噪声，开发者采用了多种去噪方法。这些方法通常基于空间滤波、时间累积或深度学习等技术。空间滤波通过在相邻像素之间进行加权平均来平滑噪声，而时间累积则利用多帧图像的信息来提高采样质量。近年来，基于深度学习的去噪技术因其出色的表现而备受关注，它们能够更精确地识别和去除噪声，同时保留图像的细节信息。

路径追踪的根本局限在于，这会导致在达到足够采样数量之前，图像呈现出颗粒状外观。为解决这一问题，研究者基于样本值的统计特性提出了大量方法：Lee与Redner（1990）提出了滤波器，通过剔除过低和过高的样本值进行处理；Jensen与Christensen（1995）则表明，按照频率域对光照贡献进行独立处理能够有效降低噪声。在此基础之上发展起来的现代去噪方法，则通过计算构成图像的光照传输方程来生成滤波器（Zwicker等人，2015）。

学术成果与评估

路径追踪（Path Tracing）在物理上正确的图像生成领域至今仍是公认的基准方法，因为它以随机方式提供了对（Rendering Equation）所描述的光传输模型的通用求解。得益于蒙特卡洛积分近似方法，路径追踪能够对解析解难以求解的高维积分进行近似计算，同时还能自然地模拟景深、运动模糊和镜头光学等复杂相机效果。然而，由于其较高的方差，其采样效率仍需通过重要性采样（importance sampling）和去噪（denoise）技术持续优化；而双向路径追踪（bidirectional path tracing）通过融合前向与后向两种采样路径，成为这一优化过程中的重要一步。在学术文献中，路径追踪不仅被视为渲染算法研究的核心内容，在光传输理论的经验性验证方面也占据着举足轻重的地位（Kajiya 1986；Pharr et al. 2016）。

学术评估与参考文献

核心概念：

参考文献

• Cook, R.L., Porter, T., Duff, I.（1984）。《Nonuniform random dilute sampling for discontinuities in complex scenes》。ACM SIGGRAPH Computer Graphics 18(3):205–212；Cook, R.L.（1986）。《A nonuniform sample distribution for two-dimensional effects in photorealistic rendering》。ACM SIGGRAPH Computer Graphics 20(4):127–134。
• Gribel,C.,Akenine-Möller,M.(2017)。《解析式时变阴影与运动模糊》。《计算机图形学技术期刊》(JCGT)6(1)。
• Hanika,J.,Dachsbacher,C.(2014)。《全局光照中薄光学元件的高效建模》。ACM图形学事务,33(4):1–10。
• Kajiya, J.T.（1986）。。第13届计算机图形学和交互技术年会论文集（SIGGRAPH ’86），第143–150页。
• Kolb, C., Mitchell, D., Hanrahan, P.（1995）。。第22届计算机图形学和交互技术年会论文集（SIGGRAPH ’95），第43–46页。
• Jensen, H.W., Christensen, N.H.（1995）。。SIGGRAPH ’95 会议论文集，第 311–320 页。
• Lee, S.C., Redner, R.A.（1990）。《用于全局光照渲染的两种基于直方图的滤波方法》。《渲染技术》，Springer，第68–79页。
• Pharr，M.，Jakob，W.，Humphreys，G.（2016）。，第3版。Morgan Kaufmann。
• Steinert, C.J. 等（2011）。《光学相机系统成像效应建模》。高性能图形学会议论文集，第 97–105 页。
• Joo，M.等人（2016）。。《计算机图形学技术杂志》；Hullin，M.B.等人（2012）。。高性能图形学。
• Zwicker, M. 等（2015）。 [报告]。

注：

来源说明：本研究依据 https://pbr-book.org/4ed/Cameras_and_Film/Further_Reading 存档资料，以学术技术综述的形式整理并更新而成。