Path tracing: 浅色 Sampling

Path Tracing: Işık Kaynaklarının Stokastik Örneklemesi ve Performans Optimization

Işığın fiziksel gerçekçiliği, modern ışık transport simülasyonlarında kritik bir rol oynar; ancak bu doğruluğun maliyeti genellikle hesaplanabilirlik sınırlarıyla çatışır. Radyometrinin doğasında var olan lineerlik varsayımı sayesinde, birden fazla ışık kaynağı içeren bir sahnede belirli bir noktaya düşen aydınlatma, her kaynak tarafından sağlanan bağımsız katkilerin toplanmasıyla hesaplanabilir. Bu matematiksel özellik, ışık transport denklemlerinin çözümünü büyük ölçüde kolaylaştırır; ancak tek başına yeterli değildir.

Doğruluk ve Hesaplama Maliyeti Arasındaki Çatışma

Sadece matematiksel doğruluğun yeterli olmadığı durumlar mevcuttur. Teorik olarak, bir sahnedeki tüm ışık kaynaklarından örneklemeler alınarak her piksel için binlerce numune üretilebilir ve hata yeterince azalana kadar süreç sürdürülebilir. Ancak binlerce veya daha fazla bağımsız ışık kaynağı içeren sahnelerde, hepsinin hesaba katılması aşırı bir performans maliyeti gerektirir. Bu durum, rastgele (stokastik) örneklemenin devreye girdiği temel alanlardan biridir.

Bir terimlerin toplamı için yansız bir tahminci aşağıdaki gibi tanımlanır:

$$\hat{f} = \frac{1}{N}\sum_{i=1}^{N}\frac{f_i}{p(i)}$$

Burada olasılık kütle fonksiyonu (PMF) $p(i)$, $\ell_i$ sıfırdan farklı olduğu herhangi bir terim için $\frac{\ell_i}{\sum_j \ell_j}$ değerine; aksi halde $\frac{1}{n}$ değerine eşittir. Bu ifade, 2.7 numaralı denklemdeki integral Monte Carlo tahmincisinin ayrık (discrete) analoğudur. Böylece tüm sahne ışıkları üzerinden yapılan toplamı, yalnızca bir veya birkaçının üzerinden yapılacak topla değiştirabilir ve her katkayı örneklenme olasılığının tersiyle ağırlayabiliriz.

Işık Örneklemesinin Mekanistik Temelleri

8.878 ışık kaynağı içeren bir sahnenin render edilmesi, bazı kritik gözlemleri ortaya koyar. Sahnedeki herhangi bir noktada, bazılarının yüzü dönük olmayabilir (görüş alanı dışında) veya diğerleri gölgeleyici nesneler tarafından örtülmiş olabilir; ideal olarak böyle ışıkların sıfır örneklemesini olasılığı atanmalıdır. Ayrıca birçok ışık genellikle hem verilen noktadan uzaktır hem de nispeten düşük güçlüdür, dolayısıyla örneklenme olasılıkları düşük olmalıdır. Buna karşılık, loş bir ışık bile kendisine yakın noktalara önemli katkılar sağlayabilir; bu nedenle en etkili ışık örneklemesi olasılıkları sahne içinde konuma, yüzey normali (surface normal), BSDF ve diğer faktörlere göre değişkenlik gösterir.

Bu karmaşıklık, LightSampler sınıfı ile soyutlanır. Bu arayüz base/lightsampler.h dosyasında tanımlanmış olup, uygulamaları lightsamplers.h ve lightsamplers.cpp içinde bulunur. Sınıfın temel metodu olan Sample(), uniform (eşit dağılımlı) bir 1-D örneklemeye ek olarak referans noktasıyla ilgili bilgileri içeren bir LightSampleContext alır. Örnekleme başarılı olduğunda bir SampledLight döndürür; aksi halde opsiyonel değer ayarlanmadan bırakılır, bu durum örneğin sampler’ın o noktayı hiçbir ışığın Aydınlatmadığını belirlediği vakalarda ortaya çıkar.

SampledLight, basitçe bir ışığı ve örneklenme olasılığını saran (wrap up) bir yapıdır. Ayrıca ışık kaynağına çarpan ışınlar için MIS (Multiple Importance Sampling) ağırlama terimini hesaplayabilmek adına, belirli bir ışığın örneklenmesine karşılık gelen PMF değerini değerlendirme yeteneğine ihtiyaç vardır; bu görev PMF() metodunun uygulamaları tarafından yürütülür.

Örnekleyici Stratejileri ve Karşılaştırma

En basit olasılıklı örnekleme stratejisi, tüm ışıkları uniform bir olasılıkla örnekleyen UniformLightSampler‘dır. Pratikte daha sofistike şemeler genellikle çok daha iyi sonuçlar verse de, bu yöntem implementasyonu kolaydır ve diğer tekniklerle karşılaştırma için kullanışlı bir taban (baseline) sağlar. Uniform-örneklemeli olasılıkların lookup noktasından bağımsız olması nedeniyle, yalnızca LightSampleContext almayan varyantları sunulur; bağlam kabul eden versiyonlar basitçe bunlara yönlendirilir (delegate). Örneklemede bir ışık, sağlanan uniform örneklemin dizi boyutuna ölçeklendirilmesiyle seçilir. Uniform eşit olasılıklar altında PMF değeri her zaman $1/n$’dir ($n$, ışık sayısıdır).

PowerLightSampler, ise her ışığın örneklenme olasılığını onun gücüne göre belirler. Bu genellikle uniform-örneklemeye kıyasla daha iyi sonuçlar verir; ancak örnekleme olasılıklarındaki uzaysal değişkenliğin (spatial variation) yokluğu etkinliğini sınırlar. İki tekniği karşılaştıran Zero Day sahnesindeki render, gürültünün belirgin şekilde azaldığını ve ortalama kare hatasının (MSE) 12.4 kat iyileştiğini göstermektedir.

PowerLightSampler, constructor’ında sağlanan ışıkların bir kopyasını saklarken birkaç ek veri yapısını da başlatır. Verilen bir ışık için PMF değerini verimli biçimde döndürebilmek adına, o ışığın dizi içindeki indeksini bulabilmelidir; dolayısıyla constructor Light‘ları indekse eşleyen bir hash tablosu başlatır. Örnekleme için anlık (alias) tablolar kullanılır ve bu tablo her ışık tarafından yayılan güçten (Phi() metodu ile döndürülen) türetilen ağırlıklarla başlar. Işığın emisyon dağılımı sivri/keskin ise (çok sayıda floresan kaynakta olduğu gibi), sayılmayan bir spike’ın gücünün alttan tahmin edilmesi riski bulunur; ancak pratikte bunun problematik olmadığı gözlemlenmiştir.

Akademik Değerlendirme ve Kaynakça

Işık kaynağı örneklemesi, yüksek çözünürlüklü fiziksel ışık transportunda kritik bir optimizasyon alanıdır. Uniform-örneklemenin sağladığı matematiksel sadelik; hesaplama maliyetini minimize etmede yetersiz kalırken, güç bazlı (power-based) örnekleme gürültüyü azaltmada etkili olsa da emisyon geometrisi ve alıcı nokta ile emitter arasındaki ilişkiyi yok sayması nedeniyle tam olarak optimal değildir. Bu sınırlamalar, konuma ve yüzey özelliklerine duyarlı dinamik örnekleme olasılıklarının geliştirilmesini zorunlu kılar; bu da modern render motorlarında istatistiksel doğrulukla hesaplama verimliliği arasındaki dengeyi yeniden tanımlar.

Kaynakça:
Path Tracing ve Işık Örneklemesi Archive Metni (Çevrilmiş Kaynak). Render sistemlerinde ışık kaynağı örnekleyicilerinin tasarımı, uniform-güç bazlı olasılık dağılımları ve Monte Carlo tahmincileri üzerine teknik referans. Gamer24h arşivi üzerinden erişilebilir: https://gamer24h.com

Not: Bu metin akademik analiz amaçıyla yeniden yapılandırılmıştır; orijinal kaynak, ışık transportu simülasyonlarında örnekleme algoritmalarının implementasyonu ve istatistiksel özellikleri üzerine odaklanmaktadır.

Source Note: This study was compiled and updated in an academic technical review format based on archived documentation from https://www.pbr-book.org/4ed/Light_Sources/Light_Sampling.