路径追踪：作为光线传输统计模拟的真实感图像生成
引言与概念框架
路径追踪（yol izleme）是一种渲染技术，它基于统计光学的基本原理，通过对场景中光线的物理正确模拟来生成逼真的图像。该方法建立在 1980 年代 James T. Kajiya 所提出的（görüntüleme denklemi）之上，通过累积计算光线在多个表面之间多次散射所形成的全局光照效果——包括柔和阴影、颜色传递（color bleeding）、焦散效应以及多重反射等可见现象——来实现渲染。
与传统光栅化不同，路径追踪通过追踪光子在场景中的真实传播路径来实现光照传输建模，从而将其转化为对光学物理中光照传播问题的直接数值求解。如今，该方法既是电影级离线渲染的基础，也是现代基于 RTX 的实时游戏引擎的核心，并继续成为计算机图形学中最活跃的研究领域之一。
物理数学基础
辐射测量的基准点
路径追踪的数学骨架由构成。在该框架下，表面上的辐射亮度（radiance）$L$被定义为到达和离开该点的光子能量的角密度。此方法使用来计算这些量：
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
f_r(x, omega_i, omega_o) = f_{r,d}(x, omega_i, omega_o) + f_{r,s}(x, omega_i, omega_o)
$$
$$
f_{r,d}(x, omega_i, omega_o) = frac{rho_d(x)}{pi}
$$
$$
f_{r,s}(x, omega_i, omega_o) = frac{D(x, omega_i, omega_o), G(x, omega_i, omega_o), F(x, omega_i)}{4,|omega_i cdot n|,|omega_o cdot n|}
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i, omega_o), L_i(x, omega_i), (omega_i cdot n), domega_i
$$
$$
L_o(x, omega_o) = L_e(x, omega_o) + int_{Omega} f_r(x, omega_i,
在该方程中，$L_o$ 表示观测到的辐射亮度，$L_e$ 表示表面自身发射（emissive）的光，$f_r$ 则为（BRDF），即描述物质如何散射光线的物理特性函数。积分项表示来自各个方向的入射光与表面反射特性相乘后加权求和的总和。
蒙特卡洛积分与随机采样
该积分无法通过解析方法求解，因为它既包含无穷维度的被积函数，又在复杂几何结构中不存在闭合形式。路径追踪通过方法来克服这一难题：积分通过随机采样进行估计，而每次采样都会生成一条新的光路（light path）。该方法的基本假设是：只要追踪足够多的光子路径，统计平均值就会收敛于真实的物理结果。
机制：如何追踪一条路径？
随机光照路径生成与递归返回
每个像素对应的光子束从相机发送到场景；当它撞击到表面时，会计算到达该点的光贡献。然后根据BRDF随机选择一个新的反射方向，并沿该方向继续追踪光线。这一过程——在物体上碰撞后随机确定一个出口方向——以递归方式持续进行，每次光子束都会减弱，从而避免了无限循环。
方差降低技术
路径追踪最大的挑战在于；少量采样会产生低质量、颗粒感的结果。因此，该方法通过各种方差降低技术加以辅助：
- 重要采样
- 下一事件估计/直接光照采样
- 俄罗斯轮盘赌
多路径跟踪与采样的融合
单向路径追踪有时会失败——例如无法找到从相机到光源的唯一路径（如黑暗房间中的小窗户照明）。为克服这一问题，人们提出了（bidirectional path tracing）及其推广形式（space splitting techniques）等多路径方法，如 MCCS、VPLR 等。这些方法同时从光源和相机出发进行路径追踪，并将产生的多条路径进行合并；此外，采用（multiple importance sampling，MIS）以最优权重对这些路径进行求和，从而消除不同方法之间相互互补的缺陷。
# 行业应用规模：实时图形中的路径追踪
路径追踪（Path Tracing）作为全局光照（Global Illumination）的一种精确求解方法，长期以来被视为离线渲染的”黄金标准”。然而，将其应用于实时图形领域一直是一个重大挑战。本文将深入探讨路径追踪在实时图形中的技术演进、核心挑战以及行业应用现状。
## 路径追踪的基本原理
路径追踪的核心思想是通过蒙特卡洛积分（Monte Carlo Integration）方法模拟光线的传播路径。与传统的光线追踪（Ray Tracing）不同，路径追踪不仅追踪从相机发出的视线，还会追踪光线在场景中多次反弹的传播过程，从而精确捕捉间接光照、柔和阴影、色彩溢出（Color Bleeding）等复杂光照现象。
其基本算法流程如下：
“
对于每个像素：
对于每个采样点：
从相机发射光线
递归追踪光线与场景的交互：
- 计算直接光照贡献
- 以概率决定光线反弹或终止
- 沿新方向继续追踪
对所有采样结果进行平均
## 实时路径追踪的核心挑战
### 1. 计算复杂度问题
路径追踪的计算量远大于传统的光线追踪。每个像素需要进行大量采样才能获得无噪声的结果，这在实时帧率（通常要求16毫秒/帧）约束下几乎不可能完成。
### 2. 噪声问题
由于蒙特卡洛方法的随机性，路径追踪结果天然带有噪声。在实时应用中，采样数目的限制会导致明显的噪点，严重影响视觉质量。
### 3. 收敛速度
路径追踪的收敛速度为O(1/√N)，意味着要将噪声降低一半，需要将采样数量增加四倍。这种缓慢的收敛特性使得实时高质量渲染变得极为困难。
## 关键技术突破
### 去噪技术（Denoising）
现代实时路径追踪系统高度依赖去噪算法。主要方法包括：
- 空域去噪：利用相邻像素间的空间相关性进行滤波
- 时域去噪：结合历史帧信息进行累积，显著提高信噪比
- 机器学习去噪：使用深度神经网络学习噪声与干净图像之间的映射关系
### 混合渲染管线
业界普遍采用混合渲染策略，将路径追踪与传统光栅化技术相结合：
`
传统管线：
光栅化 → 直接光照 → 屏幕空间反射/折射
混合管线：
光栅化（G-Buffer）→ 路径追踪（间接光照）→ 合成
“
### 硬件加速
NVIDIA的RT Core和AMD的Ray Accelerator等专用硬件单元的出现，极大地提升了光线与场景加速结构（BVH）的求交效率，为实时路径追踪提供了硬件基础。
## 行业应用现状
### 游戏行业
游戏是实时路径追踪最重要的应用领域。主要应用包括：
| 应用场景 | 技术特点 | 代表作品 |
|———|———|———|
| 全局光照 | 实时间接光照计算 | 《赛博朋克2077》 |
| 反射渲染 | 精确的环境反射 | 《控制》 |
| 阴影渲染 | 柔和真实的阴影 | 《光明记忆》 |
### 影视与可视化
在影视预可视化和建筑可视化领域，路径追踪已经实现了准实时甚至实时的渲染能力，大幅提升了工作效率。
### 工业设计与仿真
产品设计、汽车渲染等领域利用实时路径追踪技术，能够在设计阶段就获得接近最终效果的可视化结果。
## 技术发展趋势
### 1. 神经辐射场（NeRF）与路径追踪的结合
新兴的神经渲染技术正在与路径追踪融合，为实时光照提供新的解决方案。
### 2. 更智能的去噪算法
基于Transformer等先进架构的去噪模型，正在实现更高质量的实时去噪效果。
### 3. 混合采样策略
自适应采样和重要性采样技术的进步，正在优化路径追踪的计算资源分配。
## 结语
实时图形中的路径追踪已经从理论走向实践，并在多个行业领域展现出巨大的应用价值。尽管仍面临计算效率、视觉质量等方面的挑战，但随着硬件技术的进步和算法的创新，实时路径追踪必将在未来图形学中扮演越来越重要的角色。
对于开发者而言，深入理解路径追踪的原理，掌握去噪、混合渲染等关键技术，将有助于在实时图形领域创造出更加逼真的视觉效果。
硬件支持与RTX架构的诞生
路径追踪长期只属于离线电影工业（如皮克斯的《玩具总动员》、迪士尼的现代制作）的时代，随着硬件架构中的革命而改变。得益于英伟达以RT Core模块支持的RTX技术，以及微软的DirectX Raytracing标准，光线追踪现在能够在处理器中以比专用软件快得多的速度进行。这种硬件加速通过在硅层面直接计算光线与三角形的求交测试（包围体层次结构遍历），将路径追踪带入了实时游戏领域。
去噪与时间累积（Temporal Accumulation）
在实时应用中，由于无法进行数百万次的采样，低采样率的噪声图像会通过滤波器进行清理，而人工智能支持的滤波器在这一过程中发挥着关键作用。此外，将下一帧的信息传递到前一帧，通过增加时间维度上的采样数来提升画质，同时保持每帧的低成本。这种双重方法是使路径追踪在游戏中得以实际应用的核心机制。
学术评估与参考文献
路径追踪是计算机图形学中光照传输问题最简洁、物理上最一致的解法；它通过将渲染方程直接归约为数值积分，实现了光学与图形学的深度融合。该方法的核心难点——自然噪声与高计算成本——同样促使研究者不断改进新的采样策略、去噪算法以及硬件架构，从而维持该领域充满活力的研究内容。未来，路径追踪有望与基于人工智能的采样优化相结合，将离线电影级画质与实时游戏性能统一于同一框架之下。
核心参考资料：
– Kajiya, J. T. (1986)。《渲染方程》。SIGGRAPH ’86。——奠定路径追踪数学基础的经典著作。
– Veach, E., & Guibas, L. J. (1995)。《射线追踪中的最优采样技术组合》。SIGGRAPH ’95。——多重重要性采样与多路径追踪的理论基础。
– Pharr, M., Jakob, W., Humphreys, G.《基于物理的渲染》(Physically Based Rendering)——路径追踪算法的现代、全面阐述（PBRT）。
– Drettakis, G. 等——汇集了实时光照传输与现代去噪方法最新研究成果的研讨会论文集。
来源说明：本研究依据https://graphics.cs.utah.edu/research/projects/gris/sig22_GRIS.pdf中存档的文献资料，以学术技术评审的格式整理并更新而成。
Have thoughts, questions, or benchmarks on this topic? Join the discussion on our forums.
Join Discussion ➔
Присоединяйтесь к обсуждению