《Ray Tracing: The Rest of Your Life》读书笔记

本系列的最后一本，同样会涉及到大量的东西，本博客只记录个人所得。这一章有部分个人理解的东西，如有不正确之处，感谢指正，另外我如果发现了那些地方有错误也会及时修正。
原文地址：https://github.com/RayTracing/raytracing.github.io/

蒙特卡洛方法

蒙特卡洛方法是一种解决问题思路，对同意实验进行大量重复实验，使结果逼近一个值，不过不一定正确，这是一个估计方法。
例如，在正方形中画一个圆，在正方形中找一个点，求这个点在圆中的概率，假设我们做1000次实验，那概率就是$$点在圆中的概率=点在圆中的次数/1000$$ 在点是完全随机的情况下，这个问题可以转化为两者面积之比$$pi\ast R^2/(2R{)}^2=pi/4$$$$点在圆中的概率=点在圆中的次数/1000=pi/4$$用这个方式可以快速逼近pi的值，一开始向pi值逼近的速度很快，但随着实验数量的提升，逼近速度会变慢，这是蒙特卡洛方法存在的问题(Law of Diminishing Returns)
这里提到了，分层解决Law of Diminishing Returns的方法，双循环把整个图形分割，但是这种方法维度越高效果越差。

蒙特卡洛积分

蒙特卡洛积分经常用在不方便求解的积分，例如下图，我们要求出函数f(x)在a点和b点之间的定积分(实际上这个曲线是可以表示的，我们假装它很难求)。我们可以把线段分成无数个小段的Δx然后用累加的方式求出。当Δx->0时$${\int }_a^{b}f(x)\mathrm{d}x=\sum _{i=1}^{n}f({\epsilon }_i)\Delta x_i$$

假设我们可以知道Δx与ab之间x的总长度$x_a$,那Δx占总值的比例为p(x)$$p(x)=\frac{S_{\Delta }x}{S{x}_a}$$其中 $S_{\Delta }x$是离散范围内要求出的x的值，也就是 $S_{\Delta }x=f({\epsilon }_i)\Delta x_i$$$S{x}_a={\int }_a^{b}f(x)\mathrm{d}x$$ 得到$${\int }_a^{b}f(x)\mathrm{d}x=\frac{S_{\Delta }x}{p(x)}$$ 这里的p(x)就是概率密度函数，通常表示为pdf(x)。在实际问题中我们通常要进行多次采样，就像上述的蒙特卡洛的概念一样，多次采样然后求平均，将 $S_{\Delta }x$表示为$f(x_k)$即得到公式:
$$F_n(x)=\frac{1}{n}\sum _{k=1}^n\frac{f(x_k)}{pdf(x_k)}$$
其中F(x)是积分的值，n是样本的数量。

蒙特卡洛积分在球面应用

在球面上采样，将之前随机在圆内的向量单位化就得到了球面上的随机向量，先要将球面上一点相对于整个球面的比例算出来，使用立体角计算，整个球面的立体角为4π，那$pdf(x)=\frac{1}{4\pi }$，

光线散射

在之前的定义中我们假设光线被散射的概率是A，那被吸收的概率就是1-A，这个A是由定义的材质决定的。但光线进行反射的时候，会有一个方向上的概率分布，将其定义为pdf即为s(direction),那现在每一个点的颜色是由散射概率，散射pdf和着色函数共同决定的$$Color=\int A\ast s(direction)\ast color(direction)$$ 运用蒙特卡洛的思想，添加一个随机生成方向的pdf$$Color=A\ast s(direction)\ast color(direction)/p(direction)$$
在Lambertian中其实已经隐式的使用过这个方法了：假设Lambertian表面的s()与p()都是一个余弦函数，θ为法线平面与反射光线的夹角，当cosθ<0的时候，半球的积分为π，由单位角$$dA=sin(\theta )d\theta d\phi$$得出
$$半球面积={\int }_0^{2\pi }{\int }_0^{\frac{\pi }{2}}cos(\theta )sin(\theta )d\theta d\phi$$
所以s(diretion)和p(direction)的值都与cos(θ)/π成正比。可以从上面颜色的公式看到两者相除得到一个常数，就简化成了现在Lambertian的公式。

重要性采样

我们所看到的景象都是从相机出发的射线与物体相交构造的，所以想让灯光更集中一点，只能改变灯光的采样，让它散射时更集中一点。假设我们发送的一束朝向光源的光线的pdf为pLight(direction)再一个和s有关的pdf函数，我们叫它为pSurface(direction)。我们可以把两者进行线性组合，得到一个综合的pdf：
$$p(direction)=0.5\ast pLight(direction)+0.5\ast pSurface(direction)$$
只要pdf的权重是正的，并且加起来等于1,任意pdf函数组合形成的pdf只要满足这两点都是合理的。
要弄清楚如何使s（direction）*color（direction）大的pdf更大，也就是找到合适的pdf，创造更真实的颜色比例效果。
对于漫反射表面，我们猜测它更偏重color因子。 大多数渲染器将镜面设计成一种特殊情况，只是隐含地使用s / p 进行计算，所以，我们目前也是这样。

三维方向随机向量生成

如何生成随机方向，假定z轴为表面法线，规定θ为法线张开的角度，此时只关注z轴，其他相关的来量都为均匀分布。假设一个在圆上的方向pdf，$p(direction)=f(\theta )$，在一维中θ和φ的pdf分别是：$$a(\phi )=\frac{1}{2\pi }$$$$b(\theta )=2\ast \pi \ast f(\theta )sin(\theta )$$
两个随即生成的均匀变量r1和r2$$r_1={\int }_0^{\phi }\frac{1}{2\pi }=\frac{\phi }{2\pi }$$$$\varphi =2\pi \ast r_1$$$$r_2={\int }_0^{\theta }2\pi f(t)sin(t)$$
尝试找到一个f()，当在球面上均匀密度采样，整个球面为4π，$p（direction）=\frac{1}{4\pi }$$$r_2=\frac{-cos(\theta )}{2}-\frac{-cos(0)}{2}=\frac{1-cos(\theta )}{2}$$$$cos(\theta )=1-2r_2$$
然后用球坐标转换方程，生成向量
$$x=cos(\phi )\ast sin(\theta )$$$$y=sin(\phi )\ast sin(\theta )$$$$z=cos(\theta )$$然后把$(r_1,r_2)$代入方程
$$x=cos(2\pi r_1)\ast 2\sqrt{r_2(1-r_2)}$$$$y=sin(2\pi r_1)\ast 2\sqrt{r_2(1-r_2)}$$$$z=1-2r_2$$
然后我们再用我们之前假设的Lambertian的表面散射pdf，$p(direction)=\frac{cos\theta }{\pi }$试试。依旧是：$$b(\theta )=2\ast \pi \ast \frac{cos\theta }{\pi }sin(\theta )$$$$r_2={\int }_0^{\theta }2\pi \frac{cost}{\pi }sin(t)=1-co{s}^2(\theta )$$$$cos(\theta )=\sqrt{1-r_2}$$代入坐标系转换方程：$$x=cos(\phi )\ast sin(\theta )=cos(2\pi r_1)\sqrt{r_2}$$$$y=sin(\phi )\ast sin(\theta )=sin(2\pi r_1)\sqrt{r_2}$$$$z=cos(\theta )=\sqrt{1-r_2}$$

标准正交基

上述生成的随机的方向是基于z轴为法线的特殊情况，接下来要用标准正交基来推广到真实法线。其实就是一个空间变换，可以用矩阵，但在这里直接用乘法，用法线和向上的up向量做叉乘的到t，再用t和n叉乘得到s，用任意点的(x,y,z)分别乘上s,t,n即可完成坐标的转换。

直接光照采样

我们是从摄像机出发发出射线求交，现在要让发往光源方向的射线变多。$dA$表示光源表面积极的一小部分，假设采样到这一小部分的面积的概率是$P_q(q)\ast dA$对于单位球而言，$dw$为对应$dA$的单位球表面面积的一小部分，假设采样到这一小部分的概率为$p(direction)\ast dw$ $$dw=\frac{dA\ast cos(alpha)}{distance(p,q{)}^2}$$采样到两者的概率相等：$$\frac{dA\ast cos(alpha)}{distance(p,q{)}^2}\ast p(direction)=P_q(q)\ast dA=\frac{dA}{A}$$$$p(direction)=\frac{distance(p,q{)}^2}{dA\ast cos(alpha)}$$就有了我们要求的pdf。

总结

基本的算法以及思想基本阐述了一遍，这一章的pdf可以通过很多不同的数学方法取得，也可以进行pdf的混合，最终的目的是为了让光线的发射以及反射都更加偏向光源，怎么样配比，用什么公式效果更好需要慢慢调试。
这3本书很薄但基本把ray tracing的东西讲完了，当然很多年过去了，现在很多方法可以做的更好，但光线追踪的核心思想基本就是这些了。