パストレース：さらに詳しく読む

パストレース：モンテカルロシミュレーションによるグローバルアイラミネーションとライトトランスポートの計算

序章：人工画像生成におけるグローバル照明の誕生

グローバル照明（global illumination）は、シーン内の光が直接光源からの光のみではなく、表面間を複数回散乱・反射することで生じる間接的な相互作用も考慮する必要がある、包括的な概念である。コンピュータグラフィックスにおいてこの効果を初めてシミュレートしたのは、モンテカルロ法のシーンへの適用によって可能となった。知られている中で最も早い応用は、Tregenzaが1983年に発表した照明デザインに関する論文で提示された。この研究は、合成画像生成へグローバル照明を持ち込んだ最初の事例として評価されている（Tregenza 1983）。

この基盤之上で、Cookは分布レイ 트레이シング（distribution ray-tracing）アルゴリズムにより、モンテカルロ標本抽出を用いてつや反射（glossy reflections）、面光源からの柔らかい影、モーションブラー、ディープスフィールド（depth of field）といった効果を計算した（Cook et al. 1984; Cook 1986）。ただし、光輸送方程式（ライト Transport Equation, LTE）の一般形が提示されたのは、それ以降のこととなり、この方程式はKajiya（1986）およびImmel、Cohen、Greenberg（1986）の研究によって初めて定義された。

Kajiyaは1983年、目的指向型の汎用アルゴリズムを開発しました。モンテカルロに基づくラスタライゼーションにおけるその後の重要な研究としては、Shirleyの博士論文（1990年）や、KirkとArvoが1991年に発表したレンダリングアルゴリズムにおけるバイアスの源泉を調査した論文が挙げられます。

光輸送方程式の理論的基礎

パストレースの数学的基盤は、シーン内での光の伝播を記述する方程式に根ざしている。この方程式の積分形式および構造的解析は、大きくはVeachの博士論文（1997年）の枠組みを引き継いでおり、この著作はLTE（ライト Transport Equation）の様々な形態およびその数学的構造について包括的な解説を提供している。

光輸送理論とグラフィックアルゴリズムとの関連性は、Arvoによって1993年および1995a年に研究されてきました。この研究は、古典物理学が粒子および相互作用の一般的な挙動を予測するために用いるとレンダリングアルゴリズムとの間の深い類似性を明らかにしました（Arvo 1993；Arvo 1995a）。この関連性は、パストレーシングが単なる可視化技術であるだけでなく、物理的な粒子シミュレーションと重なる理論的基盤を持つ手法であることを示しています。

パストレースのメカニズムと基本手法

モンテカルロ積分の経路追跡時に何が起きるのか？

パストレースの核心では、光輸送方程式を解くためにが用いられる。このアプローチは、不確かな積分を確率的なサンプリングによって近似計算します。各トレースされる光路（パス）は、シーン内のエネルギー分布の統計的な標本として機能します。サンプリング数が増えるほど平均的な結果は真の値に近づきますが、同時に画像に目立つも現れます。そのため、画像の品質と計算コストのバランスがパストレースの中心に位置しています。

直接照明：イベント推定テクニック

パストレースにおける直接照明の計算に用いられる（next event estimation）技術は、1967年にCoveyouらによって中性子輸送の文脈で初めて定義されました。この方法は、追跡したパス上の各点からシーン内の光源へ直接の視線を送ることで、間接照明をより効率的にサンプリングすることを可能にします。

ロシアルーレット：終末への道とバイアスの議論

追跡する経路のコストを制限するために用いられる（Russian roulette）技術は、ArvoとKirkによって1990年に導入されました。このアプローチに先立って、HallとGreenberg（1983）は、特定の最小限の寄与未満の光経路を持つ分岐の追跡を避けることで、レイツリーを適応的に終了させることを提案していました。ArvoとKirkが提案した技術は（unbiased）な手法ですが、状況によっては、より少ないノイズで結果を得るために、ある程度の偏倚を受け入れることが妥当な選択肢となり得ます。

PathIntegratorでは、計算されるルーレットによる終了確率は、大規模な最終散乱事象における表面の（反射率）によって決定されます。このアプローチはSzesciら（2003）によって初めて提案されました。アルベドに基づくこの方法は妥当ですが、より良いアプローチでは、終了確率がシーン内の入射光も考慮する必要があります。つまり、シーンの暗い領域ではパスをより積極的、明るい領域ではより積極的でない方法で終了することが推奨されます。VorbaとKřivánek（2016）は、この目的のためにシーン内の光の近似表現に基づく方法を提供し、重要な領域でパス数を増やす（スプリッティング）技術も適用しました。

最適化手法と統計的分散削減

パストレースの基本的なボトルネックは、高品質な結果を得るために必要な大量のサンプリング数であり、これが計算コストを著しく高めます。そのため、開発された様々な最適化技術は、同じ物理的結果をより少ないサンプリング数で近似することを目的として提案されてきました。

統制変数（Control Variates）法

統制変数

この分野における最近の研究としては、近接するピクセル間の相関を利用して制御変数を定義するRousselleら（2016）、ニューラルネットワークが制御変数の計算においていかに効果的であるかを示すMüllerら（2020）、各ピクセルで取得した標本に多項式を当てはめ、それを制御変数として利用することで、被積分関数が平坦なピクセルにおける誤差を削減するCrespoら（2021）が挙げられる。

照明プリキャッシュ：コスト削減のための計算再利用

パストレースのパフォーマンスを向上させるアプローチの一つに、シーン内の近接する点間の計算を再利用する方法がある。（irradiance caching）は、このアプローチの一例であり、シーン内の表面に疎な点で間接照明の放射度を保存し、間接照明は一般的にゆっくりと変化するため、放射度の安全な補間を可能にする（Ward et al. 1988; Ward 1994）。

TabellionとLamorlette（2004）は、このビネット補間技法にフィルム制作現場での実用性をもたらす一連の改良を提供した。Křivánekとその共同研究者たちは、放射輝度（radiance）と呼ばれる、より複雑な方向性分布を保持することで、光沢のある反射面からより正確な陰影表現を実現する（radiance caching）へと一般化した（Křivánek et al. 2005）。Schwarzhauptとその仲間たちは、入射光の二次までの級数展開を用いて、ビネット点の妥当性を評価するより良い方法を提案し、Zhaoとその仲間たちは特に光沢のある反射を伴うシーン向けに有用な一連の改良を開発した（Schwarzhaupt et al. 2012; Zhao et al. 2019）。

近年、ニューラルネットワークのこの分野における役割も拡大している。Renらは一連の研究で、ラジウのシーン内での分布を表現するためにニューラルネットワークを初めて活用した（Ren et al. 2013）。その後、Müllerらは、ラジウをレンダリング過程で表現するように学習させた完全結合層を持つネットワークを用いることで、高性能と正確な間接照明の両方を達成したことを示した（Müller et al. 2021）。

製品配分サンプリング：順方向照明における効率化

直接照明的計算においては、BSDFと光源のからのサンプリングに向けた一連の近似手法が開発されてきた（Burke et al. 2005; Cline et al. 2006）。製品サンプリングは、この2つの分布のいずれも実製品を適切に表現できない場合に、MIS重み付けによる光源およびBSDFのサンプリングよりも優れた結果をもたらす可能性がある。

Clarbergら、Rousselleおよびその共同研究者たちは、BSDFと照明をウェーブレット基底（wavelet basis）内で表現し、その積から効率的にサンプリングする手法を開発してきた（Clarberg et al. 2005；Rousselle et al. 2008；Clarberg and Akenine-Möller 2008a）。直接照明の効率性は、BSDF、照明、視認性の3つの積の分布からサンプリングすることでさらに高めることができる。この課題については、GhoshとHeidrich（2006）およびClarbergとAkenine-Möller（2008b）によって研究が行われた。

学術的成果：パストレーシングの科学的意義

パストレースは、光の伝播の物理的現実性を統計的に捉えることに成功しているため、現代のコンピュータグラフィックスの理論的・実務的な基盤の一つとして浮き彫りにされています。1983年のKajiyaによる汎用アルゴリズムからVeachの積分方程式の定式化、Arvoによる伝播理論とグラフィックスの間の接点、そして今日のニューラルネットワーク基盤のモンテカルロ手法に至るまで、この発展の経路は、この分野が備える数学的な深さと実務的な成熟度を示しています。

歪みとノイズの間の基本的な緊張関係——非歪み推定量が長期的に正しい結果をもたらす一方で、歪みがありながらノイズが小さい手法を選ぶこの選択は、パストレーシングが単なる可視化ツールではなく、統計的推論を行う本格的な科学的手法であることを強調している。コントロール変数、イミューテーション/射线照射の標本化、製品分布標本化といった最適化技術は、この手法が映画、建築可視化、インタラクティブアプリケーションなどの分野で利用可能であることを可能にした。

学術的評価と参考文献

以下の文献は、本文中で引用されている研究を含んでいます。

• バークら（2005）
• ClarbergおよびAkenine-Möller（2008a；2008b）
• Clarberg ら（2005）
• Coveyouら（1967）
• Crespo 他（2021）
• Cline et al.（2006）
• ゴッシュとハイドリッヒ（2006年）
• ホールとグリーンバーグ（1983年）
• Immel、Cohen、Greenberg（1986）
• 梶谷（1986年）
• KirkとArvo（1991年）
• ラフルーヌおよびヴィレムス（1994年、1995年）
• Müller ら（2020；2021）
• Renら（2013）
• ルセルら（2008年、2016年）
• Schwarzhauptら（2012）
• シャーリー（1990年）
• Szesci et al.（2003）
• タベリオンとラモレット（2004）
• トレゲンザ（1983年）
• ヴォルバおよびクジヴェネク（2016）
• Veach（1997）
• ウォード（1994年）；ウォードら（1988年）
• ワンとオーケルンド
• Zhaoら（2019）

注意：

ソースノート:本研究は、https://www.pbr-book.org/4ed/Light_Transport_I_Surface_Reflection/Further_Reading のアーカイブされたドキュメントに基づき、学術的な技術レビュー形式で編纂・更新された。