7.2 降噪：从方差到画面的排错实录

7.2 降噪：从方差到画面的排错实录

上一节的账本里，每像素只剩一条射线——它带回来的画面等效于一台每像素只采样一次的路径追踪器，噪声浓度远超"能看"的边界。降噪器就是来还这笔债的。本节按三步走：先讲清噪声的结构（不是均匀颗粒，而是有空间结构的方差场），再拆主流降噪器的三个核心部件，最后用一份排错实录把鬼影、糊边、闪烁三大症状逐一修好。看完你会认同这句话：降噪器不是美颜滤镜，它是实时管线里离线蒙特卡洛数学的代理人。

噪声不是颗粒，是结构

把 7.1 的单样本画面放大看，噪声的分布极不均匀：平面墙面几乎干净，光源边界、高光区域、间接光转折处噪点沸腾——因为蒙特卡洛的方差正比于被积函数的局部变化率，被积函数在哪里尖锐，噪声就在哪里聚集。这个观察直接否定了"拿一个高斯模糊糊全屏"的做法：墙面被白糊了，边缘还是脏的。好的降噪必须是导引的：滤波强度由几何与材质信息决定——深度差大（边缘）就别跨过去平均，法线差大（转折）就别混着算，反照率差大（不同物体）就当两个世界。导引信息哪里来？光栅化 G-buffer 里现成放着全分辨率深度、法线、物体 ID——光追虽然只跑了四分之一分辨率，导引却是全分辨率的，这正是混合管线的精妙分工。

降噪器三件套：累计、估计、滤波

主流实时降噪器（以 SVGF 一脉为代表）可以拆成三个部件，顺序执行、逐级接力。

1. 时序累计：历史颜色按运动矢量重投影，与当前帧加权平均
   权重由历史长度与有效性决定——有效历史越长，有效样本越多
2. 方差估计：对颜色和平方同步做时序累计，在线算出每个像素的方差
   方差大的区域滤波要重，方差小的区域滤波要轻——滤波强度有了依据
3. 导引双边滤波：小孔径迭代多轮
   每轮的滤波核权重由 深度差 × 法线夹角 × 反照率差 调制
   几何不连续处权重趋零，噪声跨不过边缘
​

三件套的精妙在"方差导引"这个闭环：6.1 说过噪声该滤多少取决于它的方差，而方差本身也是随机量需要估计——时序累计恰好把方差的历史也攒了下来。于是滤波强度不再是全局常数，而是逐像素自适应：阴影边缘重拳出击，平滑墙面轻轻带过。机器学习降噪器（离线界的 OIDN、实时界的各种神经降噪模块）并没有推翻这套结构，而是把"导引权重怎么定"和"方差到滤波半径的映射"交给网络从数据里学——输入仍是彩色加 G-buffer，学习的仍是同样的物理量。

图：降噪流水线与导引信息的来源

排错实录：三种症状的定位链

下面是实战里最常见的三种降噪事故，各给完整诊断过程。症状一：鬼影——角色身后拖着半透明的残像。背景：相机不动、角色匀速走动，角色背后的墙面反射里跟着一个虚影。操作：逐层排查——先关时序累计，虚影消失，锁定时序环节；再查运动矢量，发现透明物体的运动矢量没写入（半透明不做光栅化写入），重投影拿到的是墙面的历史而非角色的历史。结果：给透明物体补写运动矢量代理，虚影消失。解读：鬼影的公式化表达是"历史值被错误地信任"，九成源自运动矢量或有效性验证的失守，而不是滤波本身。变式：粒子系统没有稳定的前帧对应，常规做法是把它标记为"无历史"对象，只走空域滤波，接受它略噪。

症状二：糊边——反射里的物体轮廓晕开一圈，像隔着毛玻璃。诊断链：糊边说明滤波跨过了几何边界，查导引权重——深度差被编码为相对量，远处的反射（深度绝对值大）相对深度差被低估，权重该归零没归零。修法：深度差改用法线投影平面距离（即"两点在几何上隔了多远"）代替简单差值，远距离小夹角的场景立刻锐利。症状三：闪烁——阴影边缘在相邻帧间高频跳动。诊断：闪烁是时序权重的跳变——暴露区域的历史突然失效，边缘像素在"有历史"与"无历史"两种画质间反复横跳。修法：对时序权重做时间平滑、暴露切换处加过渡带；再不够就把当前帧在暴露区域的样本临时加倍（把 7.1 省下的预算花回来）。三种症状指向同一句话：降噪的 bug 都在"信任的边界"上——该信的不信（闪烁），不该信的信（鬼影），信的方式不对（糊边）。

学习型降噪器与一张调参速查表

排错之外，还有两个横向话题决定降噪方案的长期成败：学习型路线怎么取舍，参数经验怎么沉淀。先说路线。学习型降噪器用数十万对"噪声图加干净参考图"训练网络，让它自己学出导引权重。优点是单帧强——历史不足一帧也能出干净图，透明与粒子这类历史残缺场景收益最大。代价与边界同样清楚：训练分布之外的极端材质可能整块出错且错得自信；推理耗时高于传统三件套，4K 下往往要配半分辨率渲染，换硬件世代后预算表要重测；出错不可解释，排错从"查参数"变成"查数据"。选择判据一句话：历史可靠用传统三件套，历史残缺用学习型，预算与平台够就按层混用——主画面走三件套，粒子透明层走学习型，各自开关。

调参侧给一张速查表，症状到参数的映射先记住再理解：

表的最后一行藏着一个容易忽略的工程点：法线缓冲的格式（八位八面体编码还是浮点全量）决定导引的精度上限，降噪疑难杂症里有一成最后查出来是导引缓冲被压缩坏了。降噪不是滤波器的独角戏，是整条管线的数据质量在滤波器上的投影。

这张表的生命周期比算法长：降噪器换了三代，表骨架没变过。把它挂在团队维基，每次新症状先查表再动参数；顺带立好复跑纪律——任何降噪参数改动，都要过三个标准镜头（静止特写、高速平移、粒子密集）再入库，三个全过才算调过。

把两条路线放到同一条时间轴上，还有一层演化逻辑值得记：三件套的每一步（累计、方差估计、导引滤波）都是可解释的独立环节，学习型把它们融进一个不可分的映射——换来单帧质量，付出可诊断性。工业界的处理不是二选一，而是分层布防：传统环节在前端把输入分布压回训练集覆盖的范围（钳制萤火虫、规整法线缓冲），学习型在末端兜底输出。给网络喂"它见过的世界"，是学习类管线集成的通用守则，降噪只是它在图形学里的分身。方法论再升华一句：三种症状加速查表五行，合起来是一张二维矩阵——症状为行、环节（历史、导引、切换、缓冲）为列；新症状先定位列再定位行，排查顺序自动生成。方法论的复用性比任何单个修法值钱：下一章的方案货架、再下一章的硬件适配，用的都是同一张矩阵思维的骨架。把这张矩阵贴在工位上，新人也能在三分钟内提出有意义的第一个假设——排障知识的传承效率，比任何长文档都直观；矩阵还会生长，每添一行症状、每添一列环节，它的覆盖面就宽一分。

本节要点回顾

• 噪声有结构：方差聚集在被积函数尖锐处，全局模糊注定两头失败——导引是唯一的路。
• G-buffer 是降噪的路标：光追稀疏、导引全分辨率，混合管线的分工红利在降噪环节兑现。
• 三件套接力：时序累计攒样本、在线方差定强度、导引双边保边缘；学习型降噪器换的只是权重映射。
• 排错口诀：鬼影查历史信任，糊边查导引权重，闪烁查暴露切换——事故都出在信任的边界。
• 降噪器消耗的预算（约一毫秒半）是实时光追账单里最便宜的救命钱。

画面终于"能看"了。最后一战是实时光追的圣杯——全局光照：下一节盘点哪些方案能挤进实时预算。