路徑追蹤技術(shù)（Path tracing，PT）已經(jīng)是當(dāng)下工業(yè)中離線渲染使用的主流技術(shù)，不管是商業(yè)渲染器如皮克斯的RenderMan，Solid Angle的Arnold等，還是迪士尼的in-house渲染器Hyperion以及Weta Digital的Manuka都是基于路徑追蹤技術(shù)。路徑追蹤算法非常簡(jiǎn)單，它首先將光照方程表述為面積積分的形式，然后一束光線從光源經(jīng)過(guò)各個(gè)物體表面及內(nèi)部多次交互（反射，折射，散射）后進(jìn)入圖像平面的貢獻(xiàn)值（即輻射照度）被轉(zhuǎn)換為這些表面交互點(diǎn)形成的路徑的一個(gè)積分，其被積函數(shù)為這些表面的雙向散射系數(shù)（BSDF），頂點(diǎn)之間的積分變量變化（change of variables）以及頂點(diǎn)之間可見(jiàn)性的乘積。在統(tǒng)計(jì)中，積分可以很簡(jiǎn)單地使用蒙特卡洛方法進(jìn)行估計(jì)，因此光照傳輸?shù)膯?wèn)題就轉(zhuǎn)化為對(duì)場(chǎng)景進(jìn)行路徑采樣，然后對(duì)每條路徑的貢獻(xiàn)值進(jìn)行平均求和的蒙特卡洛積分計(jì)算。
盡管自基本的路徑追蹤算法被提出以來(lái)，各種增強(qiáng)改進(jìn)的方法被整合進(jìn)來(lái)，然而上述路徑追蹤技術(shù)的“基礎(chǔ)架構(gòu)”幾乎沒(méi)有多少實(shí)質(zhì)性的變化。對(duì)于任何行業(yè)，工業(yè)中主流的技術(shù)一般不是當(dāng)下最先進(jìn)的技術(shù)，而是最成熟可工業(yè)化的方案，當(dāng)前工業(yè)中的路徑追蹤技術(shù)優(yōu)化主要集中在優(yōu)化算法的執(zhí)行效率，主要是針對(duì)處理器硬件架構(gòu)進(jìn)行優(yōu)化，例如針對(duì)緩存系統(tǒng)的優(yōu)化，增強(qiáng)數(shù)據(jù)局部性和指令局部性，以及改進(jìn)光線連貫性（ray coherence）使其能夠利用SIMD指令進(jìn)行高效計(jì)算等，這方面比較突出的是迪士尼的Hyperion渲染器，一些渲染器的優(yōu)化更是幾乎能達(dá)到某些場(chǎng)景復(fù)雜度范圍內(nèi)實(shí)時(shí)渲染，例如Embree。
然而以上這些內(nèi)容卻不是本文關(guān)注的重點(diǎn)（上述內(nèi)容會(huì)在thegibook中詳細(xì)討論），本文我們要討論的是一些路徑追蹤算法基礎(chǔ)架構(gòu)層面的改進(jìn)，這些算法還很少出現(xiàn)在當(dāng)前工業(yè)解決方案中，但是確實(shí)未來(lái)的重要發(fā)展趨勢(shì)。
傳統(tǒng)的路徑追蹤算法是一個(gè)單純的積分問(wèn)題，因此可以使用蒙特卡洛方法來(lái)估計(jì)，然而蒙特卡洛方法的每個(gè)抽樣是獨(dú)立的，因此很難有效快速對(duì)一些比較困難的路徑進(jìn)行采樣，一些很難被采樣的路徑需要巨量的采樣數(shù)才能達(dá)到“令人滿意”的結(jié)果，這導(dǎo)致非常緩慢的收斂速度。盡管開(kāi)始的收斂速度非?？欤?倍采樣數(shù)量可以減少1/2的誤差），但是越到后面會(huì)花費(fèi)更多倍的時(shí)間。傳統(tǒng)的方差縮減技術(shù)如重要性采樣，分層采樣，擬蒙特卡洛方法（Quasi-Monte Carlo）仍然不能改變這個(gè)收斂速度。
要提升蒙特卡洛估計(jì)的收斂速度，直觀上，我們需要能夠辨識(shí)每個(gè)圖像的分布特征，然后在一些高頻變化區(qū)域增加采樣的密度。然而，傳統(tǒng)的蒙特卡洛方法中每個(gè)抽樣之間是獨(dú)立的，它并不能有效辨識(shí)這種頻率變化特征，盡管梅特波利斯光照傳輸（Metropolis light transport，MLT）通過(guò)采樣點(diǎn)之間的相關(guān)性能夠?qū)ふ乙恍├щy路徑，本質(zhì)上它仍然并不善于處理和分析頻率域特征。要想能夠辨識(shí)圖像的分布特征，我們需要了解每個(gè)路徑的局部特征，即是我們需要對(duì)路徑追蹤算法引入微分運(yùn)算。路徑的微分涉及路徑與附近局部范圍內(nèi)光線的差值，即圖像的局部特征，因此它引入了光線之間的相關(guān)性，可以從多個(gè)層面改善路徑追蹤算法的效率（也正是如此，我們認(rèn)為這是近幾年路徑追蹤技術(shù)領(lǐng)域的重大進(jìn)展）。
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動(dòng)安全 [無(wú)線安全]玩轉(zhuǎn)無(wú)線電——不安全的藍(lán)牙鎖 2017-07-26
- 消息隊(duì)列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標(biāo)分割】 2017-07-26
- 詞向量-LRWE模型-更好地識(shí)別反義詞同義詞 2017-07-26
- 從棧不平衡問(wèn)題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實(shí)現(xiàn)JSON轉(zhuǎn)Model - HandyJSON使用講解 2017-07-26
- 阿里移動(dòng)安全 Android端惡意鎖屏勒索應(yīng)用分析 2017-07-26
- 集合結(jié)合數(shù)據(jù)結(jié)構(gòu)來(lái)看看(二) 2017-07-26
學(xué)習(xí)是年輕人改變自己的最好方式