路径追踪：存档技术文档

路径追踪：光线追踪生成真实图像数学与物理基础

引言：艺术图像的科学本质

在计算机图形学中，（path tracing）是一种完全随机的图像生成方法，它以统计方式对场景中光线的物理行为进行建模。该方法建立在 James Kajiya 于 1980 年代提出的 （rendering equation）之上，构成了现代真实感渲染算法的基础，如今已成为电影工业和游戏引擎中的标准技术。

路径追踪与其他方法最显著的区别在于，它在全局光照（global illumination）框架下完整地计算了光线与材料之间的相互作用。通过反射、散射和折射光子所遵循的概率路径网络，阴影软化、颜色传递（color bleeding）、景深效应等物理现象得以自然地呈现。

基础机制：从渲染方程到采样

渲染方程（Rendering Equation）是计算机图形学中描述光照传输的核心数学方程，由 James Kajiya 于 1986 年提出。它完整地刻画了场景中光线的能量守恒关系，是现代渲染技术的理论基础。

渲染方程的数学表达

渲染方程可以表示为：

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

其中：
– $L_o$：点 $p$ 沿 $omega_o$ 方向出射的光照强度
– $L_e$：点 $p$ 自身的发射光照
– $L_i$：从 $omega_i$ 方向入射的光照
– $f_r$：双向反射分布函数（BRDF）
– $n$：表面法向量
– $Omega$：半球空间

从方程到采样

直接求解渲染方程在计算上是不可行的，因为积分项涉及无限多个入射方向。蒙特卡洛方法通过采样来近似这个积分：

$$L_o approx frac{1}{N}sum_{i=1}^{N} frac{L_i f_r costheta_i}{p(omega_i)}$$

其中 $p(omega_i)$ 是采样概率密度函数（PDF）。

重要性采样

为了提高采样效率，通常采用重要性采样技术，根据 BRDF 的特性生成采样方向。例如：
– 余弦加权采样：适用于漫反射表面
– 半向量采样：适用于高光反射

路径追踪中的应用

在路径追踪算法中，每一步都通过采样来估计光照积分。这种将解析方程转化为可计算采样过程的方法，是现代实时和离线渲染的关键技术基础。

图像方程与光传输

路径追踪的数学核心是Kajiya于1986年提出的渲染方程：

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

在该方程中，$L_o$ 表示观测到的出射光强度，$f_r$ 为由（BRDF）定义的表面散射特性，$L_i$ 表示入射光。积分项表示某一点从所有方向接收到的光线的总和。

随机采样与蒙特卡洛方法

由于该积分无法解析求解，路径追踪通过积分来生成近似值。对于特定像素，通过对随机定向的光线路径进行平均来实现积分估计：

$$hat{I} = frac{1}{N}sum_{k=1}^{N}frac{f_r(omega_i, omega_o), L_i(omega_i), (omega_i cdot mathbf{n})}{p(omega_i)}$$

这里的 $p(omega_i)$ 项表示所选方向的（PDF）值，对于采样的正确性至关重要。随着采样数量（$N$）的增加，解会收敛到真实值；然而，这一过程自然而然地意味着图像中噪声的减少。

降低波动性方法：从噪声到可靠结论

重要性采样（Importance Sampling）

重要性采样是一种蒙特卡罗方法，用于通过从一个与目标分布不同的建议分布中进行采样，来估计某个随机变量函数的期望值。当直接从目标分布中采样困难或低效时，重要性采样提供了一种有效的替代方案。

核心思想

假设我们想要计算目标分布 p(x) 下函数 f(x) 的期望值：

E_p[f(x)] = ∫ f(x)p(x)dx

当这个积分难以直接计算时，我们可以从一个不同的建议分布 q(x) 中采样，只要 q(x) 在 p(x) 不为零的地方也不为零。

权重计算

每个采样点的权重定义为目标分布与建议分布的比值：

w(x) = p(x)/q(x)

这个权重被称为重要性权重（importance weight）。

估计方法

通过从 q(x) 中抽取 N 个样本 x₁, x₂, …, x_N，期望值可以估计为：

E_p[f(x)] ≈ (1/N) Σ f(xᵢ)w(xᵢ)

或者使用归一化的重要性采样估计：

E_p[f(x)] ≈ Σ f(xᵢ)w(xᵢ) / Σ w(xᵢ)

优势

重要性采样的主要优势在于灵活性。我们可以选择一个更容易采样、更容易评估的分布 q(x)，同时仍然准确地估计关于目标分布 p(x) 的量。

应用场景

– 稀有事件概率估计
– 贝叶斯统计中的后验期望计算
– 强化学习中的策略评估
– 金融工程中的风险度量

潜在问题

如果建议分布 q(x) 与目标分布 p(x) 差异过大，重要性采样的方差可能会非常大。因此，选择一个合适的建议分布至关重要。理想情况下，q(x) 应该与 f(x)p(x) 的形状相近。

随机采样所带来的（variance）是路径追踪面临的最大挑战。为缓解这一问题，（importance sampling）能够针对光照较强的方向进行更多采样。特别是针对朗伯表面和镜面表面，通过采用不同的分布函数，可以显著降低噪声。

混合采样（Mis）

多重重要性采样

均衡抽样（BDNF）与统计优化

近年来，等方法被开发出来，用于在渲染过程之外减少噪声。这些技术利用相邻像素之间的物理相似性，旨在通过更少的采样产生高质量的结果。

行业维度：路径追踪在游戏引擎中的崛起

硬件与实时应用

光线追踪技术长期以来仅限于离线渲染工作站，其计算成本并不适合实时应用。然而，随着（donanım hızlandırmalı ışın izleme）技术的发展，这一状况已发生改变。NVIDIA的RT Core以及AMD的类似架构，能够直接在硬件层面完成光线与网格的碰撞检测。

游戏中的集成

现代游戏引擎已开始采用混合渲染（hybrid rendering）方案。与传统的光线追踪（path tracing）不同，这些混合系统将传统光栅化与光线追踪的优势相结合，从而提供均衡的性能表现。（Denoising）算法则通过支持低采样数运行，为实时应用提供了所需的速度。

性能与质量的平衡

实时路径追踪面临的核心挑战，在于计算的光量与图像质量之间的关系。虽然对每个像素进行更多采样可以减少噪声，但由于该过程成本较高，业界正试图通过和人工智能驱动的降噪器来弥补这一差距。

学术成果：未来研究方向

路径追踪研究的当前焦点在于统计精度与计算效率之间的平衡。以及基于学习的图像重建等方法，通过与经典路径追踪相结合，正在生成新型混合模型。此外，元宇宙和数字孪生（digital twin）应用对高精度真实渲染需求的增长，正加速这一领域的研究进展。

在学术文献中，针对路径追踪（path tracing）核心问题——噪声抑制问题的研究仍在持续活跃地进行，新的算法也不断被发表。在此背景下，该方法凭借其理论深度与应用价值，继续成为计算机图形学中最具活力的研究领域之一。

学术评估与参考文献

路径追踪在物理渲染领域具有重要价值，因为它建立在数学上严谨的理论基础之上。它以渲染方程为起点所采用的方法，能够实现光传输的完整建模；然而，蒙特卡罗方法所带来的统计噪声，在实际应用中会带来显著的计算成本。因此，路径追踪的成功与否，不仅取决于理论上的正确性，同样取决于方差约减与平衡算法的有效性。

参考文献：

• Kajiya，J. T.（1986）。《渲染方程》。SIGGRAPH ’86 会议论文集。
• Veach，E.，& Guibas，L. J.（1995）。。ACM图形学 Transactions。
• Pharr，M.，Jakob，W.，Humphreys，G.（2016）。（第3版）。Morgan Kaufmann。
• Jensen，H. W.（2007）。。AK Peters。
• 勒费夫尔，S.，勒瓦普，D. 等（2018）。《用于去噪光线追踪图像的双向最近邻滤波》（BDNF）。《ACM图形学事务》。

注意：

来源说明：本研究依据 https://cwyman.org/papers/sig25_ReSTIR_Splatting.pdf 的存档资料，以学术技术评审的格式整理并更新而成。