7.2 路径追踪与体绘制：积分的两种解法

7.2 路径追踪与体绘制：积分的两种解法

本节摘要：路径追踪把 5.4 的渲染方程当真：对每个像素随机发射大量路径、按蒙特卡洛求平均，噪声随样本数收敛——影视级真实感的标准答案。体绘制则面向另一类数据：三维标量场（CT 扫描、流体模拟），不再有"表面"可求交，光线在体数据中边走边吸收与发光。本节给出两套算法的最小实现与收敛直觉，并说明降噪器如何让路径追踪逼近实时。这是"像素诞生记"在数学上的最深一站。

学习目标

阅读完本节，你应当能够：

1. 写出蒙特卡洛积分估计式，说明误差按样本数平方根反比收敛
2. 描述路径追踪的逐步流程（发射、弹射、终止、累积）
3. 解释体绘制方程中吸收、发射与传输函数的角色
4. 说出 AI 降噪器改变了路径追踪的什么成本结构

从渲染方程到随机采样

5.4 的渲染方程是一个半球积分，被积函数（双向反射分布）任意复杂，解析解不存在。Kajiya 1986 年与渲染方程同框登场的路径追踪给出实用解法：积分值 ≈ 随机采样 N 次的平均。直觉是把半球想成靶盘，蒙眼投镖 N 次，命中的函数值平均就是积分的估计——样本越多估计越准：

蒙特卡洛估计：∫f(x)dx ≈ (1/N)·Σ f(xi)/p(xi)
p(xi) 为采样概率密度；均匀采样半球时 p 为常数
误差 ∝ 1/√N：样本翻 4 倍，噪声减半——收敛慢，但"无偏"（均值正确）
​

import numpy as np, random

def estimate_pi_mc(n):
    # 最小蒙特卡洛：单位圆面积的积分估计（1.3 节的例子回归）
    hit = sum((random.uniform(-1,1)**2 + random.uniform(-1,1)**2) <= 1
              for _ in range(n))
    return 4 * hit / n

for n in (100, 10_000, 1_000_000):
    print(f"N={n:8d}: π ≈ {estimate_pi_mc(n):.4f}")
# 输出示例:
# N=     100: π ≈ 3.2400   噪声大
# N=   10000: π ≈ 3.1464   收敛中
# N= 1000000: π ≈ 3.1429   1/√N 的慢而稳
​

一条路径的随机漫步

路径追踪：把积分变成散步

每个像素发射一条随机路径：在交点处按材质的概率分布随机选一个新方向继续走（漫反射均匀选半球、镜面沿反射方向窄分布选），路径沿弹射累积能量贡献，命中光源或弹射数用尽即终止。逐像素重复成千上万条路径求平均：

def path_trace(O, D, depth=0):
    # 单条随机路径的辐射估计（简化版：仅漫反射弹射）
    hit = nearest_intersection(O, D)
    if hit is None or depth >= 5:
        return 0.0
    P, N, albedo = hit
    # 随机采一个半球方向：余弦加权采样（p 与 cos 成正比，方差更小）
    Ldir = random_hemisphere_dir(N)
    # 渲染方程的递归形式：反照率 × 下一跳贡献（余弦被采样概率约掉）
    return albedo * path_trace(P, Ldir, depth+1)

def render_pixel(px, samples=1024):
    # 逐像素 N 条路径求平均——蒙特卡洛积分
    return sum(path_trace(*pixel_ray(px)) for _ in range(samples)) / samples
​

关键工程细节：直接光采样（专门朝光源采样一跳，避免"路径恰好命中小光源"的低概率浪费）是方差削减的第一课，能让同样的样本数噪声骤降一个量级。其他常用武器：重要性采样（按材质分布选方向）、双向路径追踪、多重重要性采样。单帧电影级画面的每像素样本数以万计，农场渲染一帧数小时是常态——真实感明码标价。

体绘制：没有表面的世界

CT 每层切片、流体模拟每个格子，数据是三维数组 f(x,y,z)——密度、温度、速度。里面没有三角形可交，光线穿过体素时按局部密度部分吸收、部分发光（火焰发光、烟雾遮光）：

体绘制积分（沿射线参数 s）：
颜色 = ∫ 发光(s) · 透过率(0→s) ds
透过率 = exp(-∫ 密度(u)·衰减系数 du)   每前进一步，剩下的光按 e 指数衰减
​

def volume_raymarch(density_field, O, D, step=0.05, max_s=4.0):
    # 光线步进：边走边累加发光、扣除透过率
    color, transmittance, s = 0.0, 1.0, 0.0
    while s < max_s and transmittance > 0.01:
        p = np.array(O) + s*np.array(D)
        d = density_field(p)                 # 采样体数据（三线性插值）
        a = 1 - np.exp(-d * step)            # 这一步的不透明度
        color += transmittance * a * emit_color(d)   # 发光按剩余透过率加权
        transmittance *= (1 - a)             # 剩余光被吸收
        s += step
    return color

# 密度场：中心一团"发光云"
dens = lambda p: np.exp(-np.dot(p, p) * 3)
emit = lambda d: d * 2.0                     # 密度越大越亮
print(round(volume_raymarch((0,0,-3), (0,0,1)), 4))
# 输出约 0.87：穿过云心一路累积发光，前段透过率高贡献大、后段衰减
​

传输函数把密度值映射为颜色与不透明度，是科学可视化的"调色盘"：医生用它凸显骨骼密度区间、气象员用它染出台风降水带。游戏里的体积雾、云海用同一套方程的实时近似（少步数 + 降噪 + 半分辨率），医学与科研则用全精度离线版本。

降噪器：AI 改写的成本结构

路径追踪的 1/√N 收敛太慢，AI 降噪器横空出世：用少量样本（如 32）的噪声图加上辅助缓冲（法线、深度、反照率），神经网络"脑补"出接近万样本的干净结果——影视与 RTX 游戏都已在用。它把成本从"更多样本"换成"一次网络推理"，代价是极端场景下会抹掉真实细节（细小阴影、焦散）。这是 7.4 节 AI 与图形学交汇的先声。

本节要点回顾

• 渲染方程的实用解是随机采样：无偏但 1/√N 慢收敛
• 直接光采样是第一课：朝光源专门采一跳，方差骤降
• 体绘制沿射线积分：透过率指数衰减，传输函数是调色盘
• 光线步进是体版的求交：边走边吸收发光，游戏与医学共用一套方程
• 降噪器换了成本结构：样本换推理，细节是赌注

物理真实之外还有另一座山——7.3 节看非真实感渲染如何主动放弃"真"，追求风格与表达。