渲染方程与重要性采样

需要预先学习：

• 全局光照与局部光照
• 光线追踪

---

1. 渲染方程

---

1.1 从局部到全局的数学表达

全局光照与局部光照 把光照分为局部与全局两个层次。渲染方程（rendering equation）把"全局"写成了数学形式：一个表面点向观察方向反射的总亮度，等于它自身发出的光，加上从法线半球所有方向射来的光经 BRDF 反射后的总和：

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

方程中各项：

符号	含义
$L_o(p, \omega_o)$	点 $p$ 朝观察方向 $\omega_o$ 反射的辐射亮度（radiance）
$L_e(p, \omega_o)$	自发光项，只有光源表面非零
$f_r(p, \omega_i, \omega_o)$	BRDF（双向反射分布函数），描述入射方向 $\omega_i$ 的光有多少被反射到 $\omega_o$
$L_i(p, \omega_i)$	从方向 $\omega_i$ 射入的辐射亮度
$\mathbf{n} \cdot \omega_i$	Lambert 余弦项（见 着色与渲染管线），倾斜入射时单位面积实际接收的能量减少
$\Omega$	法线 $\mathbf{n}$ 所在的半球，积分覆盖所有可能的入射方向

方程说的是：出射光 = 自发光 + 半球上所有入射方向贡献的积分。看起来只是一条方程，但它把反射过程描述为"连续方向的累加"，而不是 Blinn-Phong 那种"光源逐项求和"（见 Phong模型与Blinn-Phong模型）——这是它与经验模型最根本的区别。

---

1.2 方程的递归性：全局的数学根源

渲染方程的"全局"藏在 $L_i$ 里：从 $\omega_i$ 射来的光，可能直接来自光源，也可能来自另一个表面点的反射——而那个点的出射光，又由同一条方程描述。所以渲染方程是递归的：把一个点的出射亮度反复展开，得到的是"光在场景中不断反弹"的路径链：

1. 直接光照：光源 → 该点；
2. 一次反弹：光源 → 表面 A → 该点；
3. 两次反弹：光源 → 表面 A → 表面 B → 该点……

这就是路径追踪里"一条路径"的由来（光线追踪 的路径追踪部分）。阴影、间接光照、颜色溢出这些全局效果（全局光照与局部光照）全部隐含在这条递归里：

注：方程中的 $L_i$ 天然处理遮挡——如果 $\omega_i$ 方向被别的物体挡住，$L_i$ 就取"挡住它的那个表面"的出射光。阴影不是方程的附加项，而是递归本身的结果。

---

1.3 为什么无法解析求解

渲染方程是第二类 Fredholm 积分方程，且 $f_r$ 与 $L_i$ 都是任意函数。解析解只存在于极端简化的场景（单一均匀光源、无限大平面、朗伯表面）。真实场景只能数值求解，主流方法是蒙特卡洛：把积分当成随机变量的期望来估计。

---

2. 蒙特卡洛积分

---

2.1 基本思想

对积分 $I = \int f(x)\, dx$，蒙特卡洛（Monte Carlo）估计的做法是：按概率密度函数 $p(x)$ 随机采样 $N$ 个点，用样本均值估计积分：

$$I \approx \frac{1}{N} \sum_{i=1}^{N} \frac{f(x_i)}{p(x_i)}$$

其中 $p(x)$ 是采样点的概率密度函数（PDF，probability density function），满足 $\int p(x)\, dx = 1$。分母上的 $p(x_i)$ 修正了"样本在 $x_i$ 处出现概率不同"造成的偏差。蒙特卡洛有两个关键性质：

• 无偏：样本数趋于无穷时，估计值收敛到真实积分；
• 收敛慢：误差按 $O(1/\sqrt{N})$ 衰减——样本数翻 100 倍，误差只降到原来的 $1/10$。

收敛慢是路径追踪"噪点久久不消"的根本原因：每个像素要成百上千条路径，画面才能干净（全局光照与局部光照）。

---

2.2 方差与噪声

单次估计 $\frac{f(x_i)}{p(x_i)}$ 可能偏离真值很远——某条路径恰好特别亮——多次平均后逐渐收敛。方差（variance）描述估计值的波动幅度，直接体现为画面噪点。

关键观察：$\frac{f(x)}{p(x)}$ 的方差取决于 $p$ 与 $f$ 的匹配程度。若 $p(x) \propto f(x)$，这个比值恒为常数，方差为零——但 $f$ 通常无法解析归一化。实用策略是让 $p$ 尽量贴近 $f$ 的形状，这正是重要性采样。

---

3. 重要性采样

---

3.1 均匀采样为什么不行

对半球均匀采样（$p = \frac{1}{2\pi}$）实现最简单，但方差巨大。被积函数 $f = f_r \cdot L_i \cdot \cos\theta$ 的形状通常极不均匀：高光 lobe 只覆盖一小块方向，点光源只占天空的一个点。均匀采样时绝大多数样本落在"几乎没贡献"的方向上，偶尔一个样本撞上高光或光源，单样本值极大，画面充满亮点噪点。

重要性采样（importance sampling）的思想：让采样分布 $p$ 与被积函数的形状大致一致，样本密集落在贡献大的区域，用更少的样本获得更低的方差。

对应两种常见形状：

被积形状	采样分布	说明
漫反射 lobe	余弦加权采样，$p(\theta) = \frac{\cos\theta}{\pi}$	贡献与 $\cos\theta$ 成正比，直接按余弦分布采样
高光 lobe（GGX）	GGX 重要性采样，$p$ 取法线分布 $D$	贡献集中在微表面法线朝向半程向量的区域，必须按其分布采样

---

3.2 生成样本：Hammersley 序列与逆变换

重要性采样需要一个标准流程：先生成均匀随机数（或低差异序列），再通过逆变换采样（inverse transform sampling）映射到目标分布。这里给出 GLSL 实现——它在 PBR 的 Cook-Torrance 高光项和 IBL 的预计算中都会用到：

const float PI = 3.14159265359;

// 位反转：生成第 i 个 Hammersley 样本（低差异序列，比纯随机更均匀）
float radicalInverse_VdC(uint bits)
{
    bits = (bits << 16u) | (bits >> 16u);
    bits = ((bits & 0x55555555u) << 1u) | ((bits & 0xAAAAAAAAu) >> 1u);
    bits = ((bits & 0x33333333u) << 2u) | ((bits & 0xCCCCCCCCu) >> 2u);
    bits = ((bits & 0x0F0F0F0Fu) << 4u) | ((bits & 0xF0F0F0F0u) >> 4u);
    bits = ((bits & 0x00FF00FFu) << 8u) | ((bits & 0xFF00FF00u) >> 8u);
    return float(bits) * 2.3283064365386963e-10;
}

vec2 hammersley(uint i, uint N)
{
    return vec2(float(i) / float(N), radicalInverse_VdC(i));
}

/*
 *  GGX 重要性采样
 *
 *  参数：
 *      xi    (xi.x, xi.y) 均匀分布的二维随机样本（可用 Hammersley）
 *      N     表面法线（世界空间，已归一化）
 *      roughness   粗糙度
 *
 *  返回：
 *      切线空间映射到世界空间的采样方向（半程向量）
 */
vec3 importanceSampleGGX(vec2 xi, vec3 N, float roughness)
{
    float a = roughness * roughness;

    // 由 GGX 法线分布的累积分布反推极角（逆变换采样）
    float phi = 2.0 * PI * xi.x;
    float cosTheta = sqrt((1.0 - xi.y) / (1.0 + (a * a - 1.0) * xi.y));
    float sinTheta = sqrt(1.0 - cosTheta * cosTheta);

    vec3 H;
    H.x = cos(phi) * sinTheta;
    H.y = sin(phi) * sinTheta;
    H.z = cosTheta;

    // 从切线空间（z 轴为法线）转到世界空间
    vec3 up = abs(N.z) < 0.999 ? vec3(0.0, 0.0, 1.0) : vec3(1.0, 0.0, 0.0);
    vec3 tangent   = normalize(cross(up, N));
    vec3 bitangent = cross(N, tangent);

    return normalize(tangent * H.x + bitangent * H.y + N * H.z);
}

几个要点：

• Hammersley 序列是一种低差异序列（low-discrepancy sequence）：样本在单位正方形内分布更均匀，避免纯随机采样的"扎堆"现象，收敛更快——这种用确定序列替代随机数的做法叫拟蒙特卡洛（quasi-Monte Carlo）；
• 逆变换采样：对 GGX 的 $D$ 分布求累积分布再反解，得到 $cos\theta = \sqrt{\frac{1 - \xi_y}{1 + (a^2 - 1)\xi_y}}$。粗糙度越小，$\cos\theta$ 越趋向 1，样本越集中在法线附近——正好对应光滑表面窄而亮的高光；
• 采样得到的是半程向量 $H$，用它再反射出入射方向 $\omega_i$，因为 GGX 的 lobe 定义在半程向量空间（见 PBR 的微表面模型）。

---

3.3 采样策略对比

策略	采样分布	方差	适用场景
均匀半球采样	$p = \frac{1}{2\pi}$	极大（高光越窄方差越大）	几乎不用，仅作教学演示
余弦加权采样	$p \propto \cos\theta$	低	漫反射为主的积分（辐照度图，见 IBL）
GGX 重要性采样	$p \propto D_{GGX}$	低	高光积分（IBL 预滤波、路径追踪的镜面反弹）
光源采样	$p$ 集中在光源方向	低	直接光照（路径追踪对点光源/面光源的采样）

注：重要性采样只是降低方差，不改变结果的期望——只要估计量无偏，任何 $p > 0$ 的采样最终都收敛到同一个积分。它的意义在于"同样数量的样本，噪声小得多"。

---

4. 与实时渲染的联系

渲染方程、蒙特卡洛与重要性采样构成离线渲染（路径追踪）的完整理论，实时渲染则走"绕开积分"的路线：

环节	渲染方程里的角色	实时做法
直接光照	积分中少数几个方向	离散光源求和，积分退化为累加（PBR）
间接漫反射	半球积分	预计算成辐照度图，采样一次（IBL）
间接高光	依赖粗糙度与视角的积分	预滤波 mipmap + BRDF LUT 查表（IBL）

一句话总结：实时渲染里"积分"要么被求和替代，要么被预计算替代；重要性采样则是在必须实时采样时（比如 IBL 的离线预计算、路径追踪）用更少的样本换更低的噪声。这套"预计算换实时性"的思路，与 ShadowMap与PCF、PCSS 的阴影贴图、纹理 的 mipmap 一脉相承。

---