写在前面
好久没有写文章。。不知道这次的文章能不能把想说的都表达完全。鄙人消失了快几个月了吧。。因为各种各样的原因也没有时间写下这些文字（这篇文章也是用零散时间东拼西凑出来的，望大家不要嫌弃）。
我的b站～求个关注三连～https://space.bilibili.com/198377617/?share_source=copy_link&share_medium=iphone&bbid=Y84C1A87238831C048E09014BFC2D3B481AF&ts=1587578403
本次想聊聊的是PathTracing用在Realtime渲染中的可行性与BSSRDF相关的问题。大概分为两个部分，第一部分以介绍经验为主，第二部分以鄙人最近做的一个实验为主（数学上的推导较多），希望能够和各位一起交流渲染的学习经验。
另，本文中渲染器用的是VULKAN 的API，严格来说，是从我的体素渲染器中分离的一个小分支（原本是想Raytrace SVO的来着，尴于时间不足）
使用了Compute和光栅化的Pipeline，ComputeShader进行PathTracing，光栅化全屏做后期处理。Shader总共一千多行，运行程序不含封装部分600行。
这里是目录（文章太多，目录已经不好整理了，想看之前虚幻系列的文章的话点我的头像可以查看噢）
本文结构：
一、PathTracing
二、实时PathTracing
三、BSSRDF的简介
四、BSSRDF在球面上的重要性采样的探索
一、PathTracing
何为PathTracing？顾名思义，既是路径的追踪，对光线的追踪。
本质上，PathTracing也是一种对渲染方程的求解。
这里只考虑单向的路径追踪。
按照鄙人的理解，其重要部分为：
1.与场景求交
2.获取表面属性
3.根据表面属性生成新的射线
4.累积各种路径上的能量
通常的流程如下：
1.从眼睛出发，射出一条射线（若不考虑DOF，这条射线的位置是属于特定像素区域内的，可以是随机覆盖该像素，也可以是根据某种分布进行覆盖，各有特点）
而射线方向则是当前射线位置减去相机位置
2.射线与场景求交，得到新位置
累积
3.根据
4.重复步骤2到3，直到射线遮蔽累积量已经过小，或者反弹次数过多
5.得到最终的Radiance，输出至屏幕
（这里使用了一个遮蔽累积量这词，是为了方便理解而创造的）
因为使用的是蒙特卡洛的算法，求的只是一个理论上无偏的近似解，但是可以看到图中有噪点。噪点的成因，直观表现为积分过程中，每个样本之间的方差
当然，为了减少方差，这里有许多方法可以使用，如ImportanceSampling（重要性采样），MIS（Multi-，多重重要性采样），RussianRoulette（俄罗斯转盘），还有一些高级一点的如可以逼近未知分布的Metropolis(本文只使用了重要性采样与多重重要性采样)。方法思想很多，从逼近真实光线分布到复用光线路径，最后的目的都是为了使用最少的路径来获取最接近正确结果的结果。
二、实时PathTracing
其实说是实时PathTracing，更准确来说应该是对未来的展望。本文中使用的渲染器，如果将分辨率调至720p以下，每帧每像素5采样（5spp），对于光路不复杂的材质（塑料，金属，玻璃），结合Temporal Filter能勉强达到能看的实时渲染。
可以看到大部分噪点都是由次表面散射的珠子提供的
当然，本文的渲染器在求交上面也偷了懒，目前只支持球和无限大的平面进行求交，而实际应用中，使用三角形来表示场景，将可能用到KDTree，BVH等的加速算法来进行求交，但是尽管如此，求交速度也会慢很多，这也是PathTracing不能实时化的原因之一。
(这是Peter and Karl's GPU path tracer，一个我在网上浏览资料时看到光线追踪器。这是一个使用CUDA可支持三角形和其他类型表达场景的光线追踪器（但是效率比较低，对比截图可以看得出来，驱动也很容易停止响应o(-`д´- ｡)對，沒錯，每次截圖，就是一次驅動的崩潰)
当然还有许多许多在这方面做得很好的渲染器，鄙人就不一一列举出来。
当然除此之外还有一个思路，就是图像的去噪。这方面在这几年研究也变得更多。
1、Spatiotemporal Variance-Guided Filter（SVGF）
这是一个结合了光栅化与PathTracing的渲染有偏（虽然说最后还是理论上可以收敛到无偏的，如果直接光照也由PathTracing提供，而且静止时间足够长）的方案。简单介绍一下，SVGF需要用到光栅化提供的GBuffer的信息，来重构空间信息。使用PathTracing来获取间接光照信息（此时含噪点）。将像素颜色分为Albedo（GBuffer中获取）和Irradiance，对Irradiance进行空间上的滤波（周围像素将根据空间信息加权），进行亮度上的滤波（根据周围像素的颜色的相似性进行加权）等等，以及对之前的帧样本进行叠加（类似TAA），从而达到“不浪费之前的样本”“不浪费周围的样本”的去噪效果。
详细见文章末尾论文处。
（同时这个降噪的思想也是接下来想要努力的方向，如果还能有时间的话
2.AI降噪
来自Optix 5.0 AI-Based Denoising
如今降噪结合AI，是一个蛮流行的研究方向。。本文也不再详细叙述。
三、BSSRDF的简介
假设已经了解了BRDF,BSDF等概念，那么理解BSSRDF应该不算太苦手。
我们现实中看到的物体，通常是这样的。次表面散射这一概念，也会随着带出来。光线先经过介质折射进入表面，然后在物体内部进行散射（吸收），再从某一点射出。为了加速这一模拟过程，BSSRDF这一概念被提出（实际上与现实中有差距，具体下文会提到）
简单地理解，BSSRDF描述的是这样一个事情：对于
因此对于每一个采样点，实际上需要求物体表面的所有点对他的贡献。其中BSSRDF被简单记叙为：
实际上通常
而eta则为介质的IOR（空气为1）,F项为常见的Fresnel项
因为通常
因此在路径追踪中只需对
Rd函数也十分地复杂。他的积分形式（我懒得打了啦）没有解析解，因此通常使用他的近似算法来求解，如Dipole，DirectionalDipole等。。
而且使用原始函数或者Dipole的形式，需要输入的参数也十分复杂：
（那个Chicken，认真的吗(((( ;°Д°))))）
（而且实现也十分复杂，如果照着论文来做的话，因为参数太多了，很容易写错o(╥﹏╥)o在这里卡了好多好多天）
本文渲染器中使用的是一种Normalized Diffusion的算法（Approximate Reflectance Profiles for Efficient Subsurface Scattering）。
该算法的核心在于这个公式
其中d是控制该函数的一个玄学参数（下面会讲到）
这个公式形式也比原来的Rd简单了不少。而且据原论文，该公式乘以
使用Normalized Diffusion的渲染结果，可以看到噪点依然明显（＠´＿｀＠）
然后鄙人就有了一个大胆的想法（以下内容均为实验内容，未经允许严禁转发）
四、BSSRDF在球面上的重要性采样的探索
所需工具：Wolfram,Excel，计算器
首先使用该公式
s为scaling factor
又已知
而
(来自Optical Monitoring of Fresh and Processed Agricultural Crops（我也不知道为什么是这个奇怪的名字）)
而
从而得到d的近似解，
可以看到参数被简化了许多。而鄙人想做的事情，正是拟合出
1.求出d的常用范围
使用Wolram将Rd画出来，可以发现函数形状较d的变化会比较大
n取1~2(通常物体的Reflective Index)，散射距离从1取到500：
可以发现d的取值大概分布在0.1~0.5(实际上IOR的值会大于1.2，通常为1.3，因此前面一部分骤变的曲线被舍去了)
2.根据d的取值可能拟合多条曲线
使用Excel进行运算：
得到不同的d时，r对应的
3.拟合k、b
根据不同的d值，我们得到了不同的k，b值。
新建表格，对k，b值进行拟合：
实际上，运气很好的是，在选取的d的范围之内，k，b的值均为单调的（事实上再过一点点就会呈现下降趋势，不过对于选取的区域来说已经足够精确了）
又可以得到关系式：
得到完整的拟合曲线为：
4.细节处理与归一化处理
由于该函数在0处无定义，因此使用分段的形式：
(其中R为当前球的半径，因为2R为可采样的最大距离，因此需要进行截断处理，minr为自由选择的一个不等于0的极小的数，小于minr的函数值将会变得平稳，从而防止无法积分）
求出该函数在定义域内的积分：
归一化：
5.求CDF与CDF的逆
CDF同样也是一个分段函数
接下来求CDF的逆，因为是简单的指数型函数，因此求解也十分方便：
有了这个函数，我们就能通过0-1的随机变量来进行采样，返回一个距离r。
6.根据r在球面上进行采样
这一部分比较难解释。首先建立一个特殊的球面坐标系：
从一个截面上看，是这样的。经过随机采样得到了r，我们需要使采样点均匀分布在这里：
涂黑的圆盘与球面的交线，即球小圆之一，采样点应该在这上面均匀分布。
随机在球面上取一点
可以得到采样点的位置为：
而根据高中所学知识（余弦定理），可以求得
7.PDF
根据重要性采样理论，不同分布下应该除以PDF：
从而完成重要性采样的求解。
对比使用该采样的前后图像，会发现确实有许多改进，噪点明显减少：
(一些1080*720的实时渲染效果，视频上传中，希望压缩得不要太严重)
总结：
本次的文章和大家分享了PT的基本思想，以及实时应用的可能性。
第二段文章对于BSSRDF里面Rd函数的拟合为试验性的尝试，也获得了一点成果（命名为YCZ 分布（*/∇＼*）），但是也还有许多理解不到位的地方（也请大家指出错误之处）。在分享该过程的同时，可以与大家一起加深对重要性采样的理解，感到很高兴，也希望以后还有更多这样交流的机会（鄙人也因为某些原因，下半年可能销声匿迹了，实际上，这篇文章也写了很多天，虽然渲染器只有短短的几千行。。。）
所以，请在我彻底销声匿迹之前，让我感受多几下被人赞的感受吧*(*´∀｀*)☆
感激不尽！ありがとうございます！
参考文献：
1.Optical Monitoring of Fresh and Processed Agricultural Crops
2.Approximate Reflectance Profiles for Efficient Subsurface Scattering
3.BSSRDF理論と実装
4.Spatiotemporal Variance-Guided Filter
5.A Practical Model for Subsurface Light Transport
扫一扫
749
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
