图形学数学基础之采样分布映射

作者：idovelemon
日期：2018-02-03
来源：CSDN
主题：Sampling,Distribution,PDF, MDF, CDF, Inverse Method

引言

如果你尝试过自己去实现一些Image Based Lighting或者Path Tracer等需要解决渲染方程积分问题算法的时候，你就会发现一个你绕不开的概念：Monte Carlo Importance Sampling。而实现Monte Carlo Importance Sampling的一个重要操作，就是将2D均匀分布的采样点，合理的映射到半球坐标上，以此来求出需要采样的光照射线方向。而实现这一步骤的操作，往往就是一些看起来莫名其妙的数学计算。今天这篇文章就向大家讲解，如何推导出这些数学计算。

文章首先会讲解求解的一般性步骤，然后给出几个常用的分布映射的推导过程。不过强烈建议没有看过前面几篇文章的读者，从头到尾看一遍前面的文章，因为这里的很多知识严重依赖前面讲述的内容：

图形学数学基础之基本蒙特卡罗尔积分(Monte Carlo Integration)

图形学数学基础之Hammersley采样

图形学数学基础之重要性采样(Importance Sampling)

图形学数学基础之1D采样分布计算方法InverseMethod

推导步骤

首先，我们得知道这个过程的目的是做什么：为了能够求出符合重要性采样的光照射线方向，我们需要将一个2D上均匀分布的采样点，映射到3D坐标上。

那么，“符合重要性采样”的来源就是我们需要求解的渲染方程BRDF所对应的PDF：

$$pdf = p(w)$$
根据前面的描述，我们需要将一个2D点映射到3D空间中去，所以我们需要使用球面坐标 $(\theta,\phi)$来做中间过渡，因为通过球面坐标，我们只需要使用两个分量就能够得出一个3D点或方向。所以，我们先将PDF转换为球面坐标的表现形式。

根据立体角的知识，我们知道：
$$dw = sin(\theta)d\theta d\phi$$
所以：
$$pdf = p(\theta,\phi) = sin(\theta) p(w)$$
自此我们得到了PDF在球面坐标系下的表示。

对于球面坐标来说，两个分量的计算不能够单独进行映射，他们之间是有关系的。所以，我们需要某种手段，让我们能够独立的计算两个分量。一些聪明的家伙，想到了使用边际密度函数(Marginal Density Function, MPF)和条件密度函数(Conditional Density Function, CDF)来独立计算它们：
$$mdf = p(\theta) = \int_0^{2\pi}p(\theta,\phi)d\phi$$
$$cdf = p(\phi|\theta) = \frac{p(\theta,\phi)}{p(\theta)}$$
至此，我们就有了独立的函数，便于我们接下来的操作。通过前面一篇文章，我们知道可以通过是Inverse Method来求出映射点，所以接下来就对这两个函数分别使用Inverse Method的方法，求出对应的点：
$$Pr(\theta) = \int_0^{\theta}p(\theta)$$
$$Pr(\phi|\theta) = \int_0^{\phi}p(\phi|\theta)$$
然后根据这两个函数求出对应的逆方法： $Pr^-(\theta)$和 $Pr^-(\phi|\theta)$，这样我们就能够得到 $\theta$和 $\phi$。

有了球面坐标，我们就可以通过如下的公式转换到笛卡尔坐标：
$$x = rsin(\theta)cos(\phi)$$