路径追踪

路径追踪：从光传输方程到图像生成的探索之旅

路径追踪（Path Tracing）是计算机图形学中用于生成真实感图像的核心技术之一。它本质上是对光传输方程（浅色 Transport Equation）的数值求解，通过对光线在场景中的传播路径进行蒙特卡洛采样，模拟光子从光源出发、经多次反射与散射后进入相机的全过程。

本文旨在系统梳理路径追踪的理论基础与技术演进，帮助读者理解其从数学原理到实际渲染的完整脉络。

## 光传输方程：路径追踪的理论基石

光传输方程描述了光在介质中传播时的能量分布，是理解全局光照现象的数学基础。其核心思想是：场景中任意一点的光辐射亮度，等于该点直接发射的光加上从所有方向入射并被散射来的光。

光传输方程的数学形式可以表示为：

L(x, ωo) = Le(x, ωo) + ∫Ω f(x, ωi, ωo) L(x, ωi) (ωi·n) dωi

其中：
– L 代表辐射亮度（Radiance）
– Le 表示光源直接发射的光
– f 是双向反射分布函数（BRDF），描述光在不同方向间的散射特性
– ωi 和 ωo 分别表示入射和出射方向
– n 是表面法线

这个积分方程的求解极为复杂，因为光在场景中会发生无数次反射、折射和散射，形成了一条条复杂的光传播路径。路径追踪正是通过随机采样的方法，近似求解这个方程。

## 蒙特卡洛积分：路径追踪的数学工具

路径追踪的核心思想源于蒙特卡洛积分。对于上述积分，我们可以用随机采样的方式来近似：

∫Ω f(ω) dω ≈ (1/N) Σ f(ωi) / p(ωi)

其中 p(ωi) 是采样概率密度函数。通过大量随机采样并求平均，我们可以得到积分的无偏估计。

在路径追踪中，每个像素的颜色值通过对该像素对应的所有光线进行随机采样得到。每条光线代表光在场景中传播的一条可能路径，通过追踪这些路径并累加光照贡献，最终合成出完整的图像。

## 路径追踪算法的核心流程

路径追踪的基本流程可以分为以下几个步骤：

1. 光线生成：从相机出发，为每个像素生成一条初始光线。

2. 相交测试：检测光线与场景中物体的交点，确定光线首先碰撞的对象。

3. 采样反射方向：在交点处，根据表面的 BRDF 随机采样一个反射方向。

4. 递归追踪：沿着新的反射方向继续追踪光线，重复上述过程。

5. 光照累加：在每一步累加光照贡献，直到光线逃逸出场景或被光源吸收。

这个递归过程可以用伪代码表示：

“
function TracePath(ray, depth):
if depth > maxDepth:
return background_color

hit = Intersect(scene, ray)
if hit is null:
return background_color

color = hit.material.emission
direction = SampleBRDF(hit.normal, hit.material)
newRay = Ray(hit.point, direction)

color += hit.material.reflectance * TracePath(newRay, depth + 1)
return color
“

## 方差与控制噪声

路径追踪的一个显著特点是其结果存在噪声。这是由于蒙特卡洛采样的随机性导致的方差。增加采样次数可以降低噪声，但会显著增加计算成本。

降低噪声的常见方法包括：

– 增加采样数：最直接的方法，但计算成本随采样数线性增长。

– 重要性采样：根据 BRDF 的特性进行智能采样，提高采样效率。

– 抗噪算法：如空间滤波、时间超采样等技术，在渲染后处理阶段降低噪声。

## 路径追踪的应用与优化

路径追踪因其出色的真实感表现，被广泛应用于电影特效、建筑可视化和游戏开发等领域。为了提升渲染效率，研究者提出了多种优化技术：

双向路径追踪：同时从相机和光源两侧构建路径，提高对复杂光照场景的采样效率。

光子映射：预计算场景中光的传播，存储光子信息，加速间接光照的计算。

Kajiya 的渲染方程：将光传输问题统一为更一般的数学框架，为路径追踪提供了理论基础。

## 结语

路径追踪作为计算机图形学的重要技术，成功地将光传输方程的数学理论与实际图像生成相结合。通过对光传播路径的随机采样，我们能够生成具有逼真光照效果的图像。

随着硬件性能的提升和算法的持续优化，路径追踪正在从离线渲染走向实时渲染，为游戏、虚拟现实等领域带来更加真实 immersive 的视觉体验。理解路径追踪的原理，不仅有助于掌握计算机图形学的核心概念，也为进一步的算法创新奠定基础。

引言与概念框架

现代计算机图形学中，真实图像生成的基础在于采用能够正确建模光与物质相互作用的数学方法。这一方法的核心是（浅色 Transport Equation, LTE），然而该方程的原始形式无法直接求解，因此通常被转换为更为抽象的。在此背景下，路径追踪（path tracing）作为首个用于计算光传输的通用目的蒙特卡洛算法，就此载入史册。

光线追踪（Path tracing）概念伴随着 J.T. Kajiya 于 1986 年发表的、同时提出光传输方程（light transport equation）的论文而诞生。该算法的核心思想既简洁又令人赞叹：图像以逐步构建的方式生成，其形式为由散射事件构成的路径，这些路径从相机出发，最终抵达场景中的光源。这一方法背后的理念在于，承认光并非仅通过直接传播从一点到达另一点，而是借助多次散射实现传递，并以统计采样的方式对该过程进行模拟。

数学基础：从路径积分到采样器

为什么路径积分形式如此重要？

尽管从基础光照传输方程推导路径追踪在技术上更为简便，但从路径积分公式出发却能够带来两个重要优势。其一，它能为读者深入理解奠定基础；其二，它有助于理解该算法如何推广到等更为先进的算法。正因如此，在现代图像生成领域，路径积分方法被广泛采用。

无偏估计量与无穷级数问题

在统计学中，无偏估计量是一个核心概念，它指的是估计量的期望值恰好等于被估计参数的真实值。换句话说，如果我们从同一总体中反复抽取样本并计算估计量，这些估计量的平均值会收敛到参数的真实值。

然而，在实际应用中，构造无偏估计量往往面临诸多挑战。其中一个典型问题涉及无穷级数的收敛性。考虑以下情形：假设我们有一个估计量，其期望值可以表示为一个无穷级数。如果这个级数不收敛，那么估计量的期望值就无法定义，从而导致无偏性失去意义。

让我们通过一个具体例子来说明这个问题。假设随机变量X的概率质量函数为：

P(X=k) = C/k³，其中k=1,2,3,…

这里C是一个归一化常数，确保所有概率之和为1。根据无穷级数理论，我们知道∑(1/k³)是收敛的（这是黎曼ζ函数在s=3时的值），因此C=1/ζ(3)是良定义的。

现在，我们想要估计参数θ=1/C=ζ(3)。一个自然的估计量是基于样本均值构造的。但是，这里出现了一个微妙的问题：当我们计算这个估计量的期望值时，涉及到另一个无穷级数，而这个级数可能不收敛。

具体来说，如果估计量形如∑aₖXₖ的形式，其中aₖ是系数，那么它的期望值为E[估计量]=∑aₖ·E[Xₖ]。当E[Xₖ]本身也涉及无穷级数时，我们需要确保整个表达式收敛。

这个问题的深层原因在于，无偏性的定义依赖于期望值的存在性，而期望值的存在性又依赖于相应无穷级数（或积分）的收敛性。如果级发散，期望值不存在，无偏估计量也就无从谈起。

解决这类问题的方法通常包括：首先验证估计量期望值对应的级数是否绝对收敛；其次，如果级数条件收敛，需要谨慎处理求和顺序；最后，在某些情况下，可能需要放弃严格的无偏性，转而追求渐近无偏性或其他更好的性质。

总之，无偏估计量的构造不仅需要理论上的合理性，还需要严格数学分析来确保其良定义性。无穷级数的收敛性问题是这一过程中不可忽视的重要环节。

为了估计来自相机的射线与场景相交点处的（exitant radiance），需要将 LTE 视为一个无穷多项求和的形式。这一过程中会出现两个根本性问题：其一，是需要评估的无穷多条路径项的存在；其二，则是如何高效且无偏地对这些项进行采样。

俄罗斯轮盘赌式采样终止

在物理上合理的情境中，拥有更多顶点的路径总体上会散射更少的光，这一事实自然地源于能量守恒定律。正是由于这一特性，前几项总是会被计算出来，随后通过以一定概率终止采样，从而在不引入偏差的前提下限制计算量。

这种经过充分推进的方法使得可以将求值任务无限期推迟：由于每一项都以一定的 $p$ 概率被截断，并且被跳过的项得到了适当的加权处理，因此最终结果仍然是一个估计量。

采样的机制：节点、PDF 与狄拉克δ函数

基于节点的邻居采样

为计算特定项的贡献，需要沿路径访问必要的节点；终点位于光源上，起点则位于相机的胶片或透镜表面上。鉴于路径积分是通过多重被积函数中的表面积来定义的，最自然的方法是依据场景中各物体的表面积对节点进行采样，从而确保所有点都以等概率被采样。

在这种方法中，如果每个表面积为$A_j$，则第j个物体上路径节点的采样概率应为$frac{A_j}{sum_k A_k}$。针对特定点确定（PDF）时，整个系统的总PDF在各项中具有相同权重；这一结论与我们在场景中所有表面点之间进行平等选择的目标相一致。

在光源上采样的关键作用

用于路径节点的同一技术在光源中使用时，通常会产生（high variance）问题：因为如果某一点不在发射器表面上，则 $p(x_i | x_{i-1}) = 0$，从而使路径值变为零。期望值在正确的积分等式中成立，并不会使该方法失效；但收敛速度会极其缓慢。因此，需要重新更新概率，以便在光源上进行采样。

两大核心挑战：高方差与无偏性损失

这种通用方法会导致两个相互关联的问题；一个引发高方差，另一个则导致错误结果。第一个问题在于，那些无法建立相互可见性（mutual visibility）关系的邻居节点对路径贡献为零。在复杂建筑模型中应用此方法时，沿路径相邻的节点之间几乎总有一面或两面墙相隔；因此路径无法提供任何贡献，从而在估计器中产生高方差。

第二个问题delta函数

行业应用规模：从实时到电影级

历史演进与工业影响

光线追踪法由于初期计算成本高昂，应用范围较为有限，但在物理真实性方面却具有独特的地位。这一方法由卡吉亚（Kajiya）于1986年的开创性研究首次提出，此后在从电影级图像生成到现代游戏引擎的广泛领域中发挥了重要作用。

样本数量与质量的平衡

为实现高质量的结果，通常需要对每个像素进行数百甚至数千次采样；因为基于蒙特卡洛的方法由于其统计特性而天然带有（noise），而降低这种噪声则需要足够数量的采样。这一情况为路径追踪在实时应用中的使用带来了关键的工程挑战；不过，随着硬件的发展，现代现已使实时路径追踪成为可能。

与先进算法的集成

光线追踪虽然仍作为基础积分器，但借助俄罗斯轮盘、基于区域的采样以及 delta 函数管理等技术，正变得越来越高效。在此基础上发展起来的双向光线追踪（bidirectional path tracing）和迈尔斯普里斯特光照传递（Metropolis light transfer）等方法，能够通过降低经典的第一类问题——高方差问题，即使在场景复杂度不断提升的情况下，依然能够提供稳定的结果。

学术成果：无摩擦的重要性与未来展望

路径追踪的科学价值在于其提供的特性；这一特性保证了算法能够收敛到正确结果，并使结果具备可验证的可靠性。而源于路径积分公式的推导，则确保了该方法不仅适用于特定场景，也普遍适用于一般的光传输问题。

未来的研究正集中于能够提升采样效率的（variance reduction）技术及基于机器学习的近似方法；然而，路径追踪的基本数学框架——自Kajiya最初提出愿景以来延续至今——仍持续作为其科学有效性的根本基础。

学术评估与参考文献

本文在统一的框架下阐述了路径追踪（path tracing）在光照传输理论中的地位，涵盖其数学推导（路径积分形式）、统计机制（使用俄罗斯轮盘赌实现无偏终止）以及采样策略（基于区域的节点采样、概率密度函数 PDF 以及 delta 函数所引发的问题）。原文还强调了路径追踪作为首个通用无偏蒙特卡罗光照传输算法这一历史地位，从而揭示了其深厚的历史渊源。

参考文献：
– Kajiya, J.T. (1986)。《渲染方程》。计算机图形学（SIGGRAPH ’86 论文集），第 20 卷，第 4 期。——路径追踪与光照传输方程同期提出的原始文献。
– Pharr, M., Jakob, W. 及 Humphreys, G.《基于物理的渲染：从理论到实现》（路径积分公式、俄罗斯轮盘赌和节点采样等内容的权威参考）。——正文中所引用的章节编号（2.2.4）即指向该著作的相应章节。

注意：本文系基于从存档中恢复的技术资料整理而成的学术综述，其原创性生产及参考文献信息已在上述说明。鉴于 Gamer24h 的编辑方针，术语在采用中文对应译名的同时，其原文英文术语亦保留于括号内。

来源说明：本研究依据https://pbr-book.org/4ed/Light_Transport_I_Surface_Reflection/Path_Tracing中存档的技术文档，以学术技术评审的汇编与更新形式整理而成。