【GAMES202】Real-Time Physically-Based Materials (surface models)1—实时基于物理的材质(表面模型)1

一、前言

这篇和下一篇我们会介绍实时渲染下基于物理的材质，也就是Real-Time Physically-Based Materials，这里有一些歧义，我们通常会把基于物理的材质叫做PBR，而PBR是Physically-Based Rendering的简称也就是基于物理的渲染，那么基于物理的渲染自然包括基于物理的光照，基于物理的相机以及基于物理的材质。所以实际上是不准确的，但是通常人们约定俗成的就把基于物理的材质叫做PBR，这里我们也这么规定，以下提到PBR说的就是基于物理的材质，另一种情况我会特别标注出来。其次，虽然叫做基于物理的材质，实际上也并不是完全基于物理，因为要保证实时性，就要减小计算开销，自然会简化很多东西。

二、Recap: Microfacet BRDF

复习一下我们在GAMES101里提到的微表面模型，微观层面下有许多不同朝向的细小面片，它们的法线分布不同，导致我们最终从宏观看上去得到不同的效果。

其中有三个主要的项，F项也就是菲涅尔项，决定我们从一个角度看过去，有多少能量会被反射。G项表示Shadowing-Masking，我们待会介绍。而D项自然就是法线分布了。

1.Fresnel term

Fresnel现象我们以前说过，它告诉我们反射能量的多少取决于入射光的角度，入射光与法线接近垂直时，反射光是最多的。当然由于光路可逆，我们也可以理解为视线和平面法线越接近垂直，反射越强。

上图也是我们以前提到过的，对于绝缘体(Dielectric) ， 如上图所示，反射能量和入射角的关系，入射角越接近90°，反射越强，否则越弱更多的是折射，如水面，玻璃等。

而导体(Conductor)的Fresnel走势和绝缘体基本一致，都是随着入射角增大，反射增强，只不过起点不同，中间还可能会有一些细微的差别。

上图是计算Fresnel的精准公式，我们在GAMES101里也提到过，它是准确的，但很复杂，又是考虑入射角折射角，又是光线极化的，所以一般人们常用一个简单的公式来近似。 

也就是Schlick's近似，是一个基础反射率加上一条曲线，我们前面讲Split Sum方法的时候也提过，它能满足当入射角=90°的时候，R(θ)的值为1，并且该曲线和Fresnel精准的公式计算的曲线拟合较好。 

2.Normal Distribution Function (NDF)

然后咱们来说第二项，法线分布，也就是这些微表面们各自的法线分布，微表面法线分布如果比较集中，也就是变化不明显，方向都差不多，那这自然是相对光滑的一种表面了，也就是Glossy如上面第一幅图，如果法线再集中一点那自然就是Specular了。而如果非常分散，那则相反，也就是相对来说比较粗糙，类似Diffuse。

整个D(h)项说白了就是看半程向量h在该法线分布下的和法线相同朝向的占比多少。

如果想从光滑变粗糙，可以理解为对微表面的高度场进行了一个Scale，把这些表面竖直方向拉长了，当然同时沟壑也加深了。

关于法线分布，人们发明了许多分布的模型去描述它，实时渲染中常用的模型就是Beckman模型和GGX模型。

(1)Beckmann NDF

Beckmann NDF模型很像高斯分布，它有两个参数，α也就是roughness粗糙度 ，α越小D(h)的值自然也就越大，物体看上去也就更光滑，反之则越粗糙，这是直观的理解，而从数学角度上，α实则对应了高斯中的σ，也就是标准差，它决定了分布的胖瘦，自然也就决定了反射的lob大小，那自然也就决定了反射的分散程度。而θh表示半程向量和法线的夹角大小，很容易理解，因为它肯定需要计算半程向量和法线的接近程度，那自然涉及到夹角。

这里有一个细节，为什么e的次幂项上面是tanθh的平方而不是θh的平方呢？首先θh那是定义在平面上的，而tanθh是定义在坡度空间的也就是slope space上的，如上面图画中所示，就是在单位球上把θ数值化的另一种空间，也就是单位球上的一个切平面上。定义在slope space上有一个好处，我们知道定义在平面空间上的高斯分布的support，也就是我们前面提到过的积分线是无限大的。而定义在slope space的高斯虽然是无限大的，但它对应一个有限的90°内的角度，这样就避免了会出现面朝下的微表面。

而其中α的平方，cos4次方都是归一化中推导出来的，为的是使单位圆上的投影立体角积分为1，这里不再赘述。

(2)GGX (or Trowbridge-Reitz—TR)

我们介绍另一种模型叫做GGX模型，也可以叫TR模型。GGX模型有一个非常典型的特点那就是拖尾或者说长尾。从上图中曲线就可以看出，蓝色线是Beckmann的分布曲线，很快直接衰减到0。但是GGX则不同，它虽然会衰减，但是直到90°的时候，仍然有一定的值。

从上图可以看到，Beckmann的高光边缘比较锐利，界限比较分明因为它描述的分布就是从较高的峰值很快衰减到0。而GGX则不同，在它高光的周围有一圈光晕现象，也就是略微模糊，这也符合我们前面提到的GGX分布曲线的走势。另外如果对于稍微粗糙一点的物体，Beckmann的效果是只有一个高光而其他部分全黑，而GGX则是其他地方也有一定亮度，相对自然一些。

(3)GTR (Generalized Trowbridge-Reitz)

还有一种在GGX模型之上做的扩展的模型，叫GTR模型。GTR有一个参数γ，通过调整γ的值，可以调整曲线的走势以达到不同的效果，如上图所示γ越小，拖尾越长，而γ=2的时候就是GGX模型，而γ增大到一定程度的时候就变成了Beckmann模型，所以说GTR模型把Beckmann和GGX整合在了一起。

3.Shadowing-Masking Term

Shadowing-Masking Term，也就是G项，我更倾向于叫几何遮蔽。它解决的是微表面之间相互遮挡的问题。尤其是Grazing angle的情况下，自遮挡现象会更严重，无论是入射方向还是视线方向，如上图所示。我们把从光出发，光线被微表面遮挡的现象叫做Shadowing。从眼睛出发看不到一些微表面的现象叫做Masking。整体来说G项就是为了提供一个darkening的操作，因为由于自遮挡，我们实际看到的现象肯定是偏暗的，而G项就是一个使结果变暗的操作。

G项的函数我们其实可以凭感觉大概猜出来，无非就是当我们视线垂直于表面的时候值为1，而接近Grazing angle的时候值非常小。

如果没有G项，仅凭我们的Fresnel和法线分布，以及分母的视线与法线点积，会导致Grazing angle情况下，我们会看到物体的边缘会发白，会非常亮，不符合物理，这也是为什么G项很重要。

Smith shadowing-masking term 

这里我们简单介绍一种常用的Shadowing-Masking项，也就是Smith shadowing-masking项。它线先假设了一种法线的统计学分布，并在这种情况下推导出一个G项，并且它把Shadowing和Masking拆开了，认为两者情况不相干，如上图的约等式所示，而事实上这两者是有关系的。

上面两幅图表示了Beckmann模型和GGX模型的法线分布推导出的不同的G项，可以看到两者在视线和表面垂直的时候值都为1，而接近Grazing angle时都会剧烈的衰减下跌为0，也就是发生剧烈的遮挡。

4.Multiple Bounces

我们把所有的项都考虑过后发现了问题，如上图所示，随着α，也就是roughness的增大，我们发现虽然物体的外观确实发生了变化，但是却发现变暗了，这是不应该的。于是人们通过白炉测试，也就是把所有地方的环境光照都设置为相同，再渲染，发现随着α的增大，能量损失越来越严重，这是不正确的。

从上面的图不难想到，当我们的粗糙度提高的时候，也就是法线分布越分散的时候，微表面的沟壑越来越多，越来越深，这导致其中一个微表面的反射光很容易被另一个微表面挡住，而如果此时我们还是只考虑光线的一次弹射，看到的效果自然就会有大量的能量损失。 

我们解决这个问题的思路自然是把丢失掉的能量补回去，怎么补呢？类似光线追踪的方法对实时渲染来说太慢了。

所以说在是实时渲染里我们会采用另外一种思路：如果一条反射光没被挡住那就是被我们看见了，不需要考虑。而如果一根反射光被挡住了，就经过下次弹射以及多次弹射再被我们看到。那也就是说，被挡住和发生下次弹射是一个概念。

The Kulla-Conty Approximation

基于上面的思想，有人发明了Kulla-Conty近似方法。Kulla-Conty近似的基本思想，就是把这些因为微表面遮挡的反射光损失的能量再补回去。那么补多少能量是个问题。

怎么计算呢？看上图的积分公式。首先我们先设Li为uniform的，值为1，然后再带入渲染方程，得出的应该就是我们一次反射后能被观察到的能量的比例。这里我们只是把渲染方程做了一下换元的操作，所以才会变成上图所示的样子，如图设μ=sinθ，就可以推导出上面的公式，积分结果为E(μo)。(单位立体角:sinθdθdΦ)。这样就能回答我们之前的问题，损失的能量自然是1-E(μo)，那我们补上这个能量就可以了。并且我们还可以看出，随着视角方向o的改变，损失的能量是变化的。

那我们自然希望补上这么一个BRDF使得它积分等于1-E(μo)，也就是说我们要设计一种函数使得它的积分为1-E(μo)。首先，考虑到BRDF的可逆对称性，我们需要把视角因素考虑进去，所以乘上1-E(μi)，然后乘上个c，解c就是我们需要的操作。

这里的c解得的结果如上图所示，c = π(1-Eavg)。Eavg是什么呢？上图右边公式已经给出了答案，就是我们之前计算出的E(μ)乘上μ的一个积分，也就是某个值，它表示光一次弹射后我们眼睛能接受到的平均能量，推导过程其实就是在对μ求积分的基础上分母上除以一个空积分。

现在还有个问题，我们算的Eavg有些复杂，E(μ)本身已经是一个二重积分了，现在又积分了一下，就更加麻烦了。于是我们想到，对于一个不知道是否有解析解的积分，我们能想到的就是预计算或者打表了，而为了表的存储开销小一些，我们积分的维度或者说依赖的参数不能太多。我们看看我们需要哪些参数，首先观察方向o，其次就是BRDF，而BRDF很复杂，所以我们通常假设已知BRDF，这样就只需要α，也就是roughness来描述BRDF就够了，所以对于E(μ)来说一张二维的表就可以描述所有情况了，而对于Eavg，那就只需要一个一维的表就够了，它只依赖于roughness。

可以看到，使用了Kulla-Conty近似方法之后，再进行测试，就没有能量损失带来的变暗了，如上图所示。

还有一个问题，我们之前考虑的是物体没有颜色的情况，而颜色意味着能量被吸收，也可以理解为是损失，如果它本身因为物体的颜色而损失能量的话，那我们眼睛接收到的能量就不可能是1，也就是说不能用1-E(μ)去代表它损失的能量，这样做会导致补回去的能量过多。 

Kulla-Conty近似方法当然考虑了这个问题，这里我们先不考虑由于颜色带来的损失，而是根据我们之前说的步骤计算之后，最后再考虑由于颜色，它损失了多少能量。

这里我们定义一个平均的菲涅尔项Favg，它定义的是不考虑入射角大小的情况下，平均每次反射出的能量比例是多少，那对于有颜色的物体来说它的值自然是小于1的，它的计算公式如上图所示。

由此我们可以把反射出来的能量分成两部分，一部分是被我们看到的能量也就是Eavg，而另一部分则要参与后续的多次弹射。

根据上面的思路我们就可以进行一个递归式的推导，推导出一种通用性的公式。首先如果考虑没有被遮挡直接被我们看到的能量那就直接用F*E就可以了，F表示有多少被反射，E表示有多少不会被遮挡。那如果是经过一次遮挡然后弹射进入我们的眼睛自然就是F*(1-E)*F*E。弹射k次就在前面加k次幂就好了。考虑上面所有的情况，也就是k所有的取值情况，我们把它们加起来就可以得到一个级数项，也就是Kulla-Conty近似方法得出的颜色项。最后我们把这个颜色项乘到之前没有考虑颜色的BRDF上就好了。

最后可以看到Kulla-Conty得到的结果很符合我们的期望，如上图所示。

---

参考

GAMES202_Lecture_10.pdf

Lecture10 Real-Time Physically-based Materials (surface models)_哔哩哔哩_bilibili