级联阴影：大场景阴影的解决方案

可视化演示

动态演示级联阴影的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

场景之困

路灯管理员一开始，只想用一盏“超级路灯”照亮整条街。他把一根极高的灯杆立在广场中央，灯泡亮度调到最大——结果呢？近处的路面白茫茫一片，远处的人影却只有朦胧一团。你加大功率，只是让近处更刺眼；你换更大功率的灯泡，电费成倍上涨，远方该看不清还是看不清。

传统阴影贴图技术正是这位天真的管理员。它的做法很简单：从光源视角看向整个场景，把“深度远近”记录到一张二维纹理里。这张纹理就是阴影贴图。现实世界里有成千上万个物体，纹理的分辨率却有限——通常只有 1024×1024 或 2048×2048 个像素。当你把这么大的世界塞进一张固定大小的图里，每一寸深度信息都像被压缩的面团，摊得越开，单个面团片就越薄。

于是问题出现了：近在主角脚下的地面，阴影锯齿明显、边缘抖动，因为分配给这块区域的纹理像素太少；而远处那一整片森林，阴影糊成一团灰色，几乎看不出形状。与此同时，另一片阴影贴图的像素被浪费在根本没人注意的远山上。这就是大场景阴影渲染的典型困境——一张贴图，顾得了近处就顾不了远处，顾得了均匀就顾不了精细。

核心思想

路灯管理员终于想通了。他回到办公室，摊开城市地图，把主干道划成三段：近段——广场到第一个十字路口，他安装高亮度的 LED 灯，每隔 20 米一盏，确保路面的每一道裂缝都清晰可见；中段——十字路口到高架桥入口，换成标准钠灯，间隔 50 米，颜色略暖，细节降一档；远段——高架桥到郊区收费站，每隔 120 米装一盏节能灯，只求看清道路走向，不追求任何细节。

这套“分段照明”方案，就是 CSM 的核心。对应到渲染管线中，相机的视锥体是一个从近裁剪面延伸到远裁剪面的四棱锥。我们把这条纵深方向的“锥形街道”切成若干段——每一段叫一个级联（Cascade）。每个级联拥有一张独立的阴影贴图，分辨率都由我们自由设定。

注意，三个级联的阴影贴图分辨率可以相同（比如都是 1024），但因为覆盖的空间范围不同，近处级联只覆盖眼前 20 米，每个贴图像素对应半根手指的宽度；远处级联覆盖 500 米，每个像素对应一辆卡车。同样的 1024 个像素，近处用在了刀刃上，远处则只是铺个底。这就是 CSM 最大的智慧：不是所有阴影都被平等对待，距离越近，越值得精细。

这套机制像极了三维版本的 LOD（细节层次）模型。LOD 是为模型的几何精度分级，CSM 则是为阴影贴图的分辨率分级。它让渲染器把有限的 GPU 算力，花在人眼最敏感的地方。

级联 1（最近处）  ██████ 高精度 2048×2048级联 2（中间段）  ████   中精度 1024×1024级联 3（最远处）  ██     低精度 512×512

视锥分层

分段照明不是随手一划，路灯管理员需要精确计算每段路灯的间隔，才能让行人从广场走向郊区时，感知到亮度是平滑变化的，而不是突然“掉档”。CSM 同样需要一套精密的数学工具来切分视锥体——这门手艺叫视锥分割。

最简单的切法是均匀切分：把 100 米视锥体切成 4 段，每段 25 米。但透视会骗人——距离相机 1 米到 26 米的范围，在屏幕上占了巨大的面积，而 76 米到 101 米只占了屏幕上方一条细缝。如果平均用力，近处级联的贴图像素依然不够用。此时需要引入对数分割：按距离的比例关系切分，让每一级联在屏幕空间的贡献大致相当。对数分割的近处段很短很精细，远处段很长很粗糙，和路灯管理员“近密远疏”的直觉完美吻合。不过纯对数分割在远处切换时的跳变感会稍强，工程上通常把对数与线性分割做加权混合：

实际项目中还会加入一个线性分量做混合，用参数 λ 控制“对数倾向”的强度。λ 越接近 1，分割越偏对数，近处越精细；λ 越接近 0，分割越平均，各级别大小更均匀。默认取 0.5，兼顾两者。

当路灯管理员最终在图纸上画出分割线时，他发现近处的三个灯位间距 15 米、60 米、180 米，呈等比增长——人眼对近处的亮度变化最敏感，所以灯要密；远处的灯再密也看不出区别，所以拉大间距完全无损体验。

贴图渲染

分割好路灯段落后，管理员要定制每一段的“灯具”：近段用小而亮的聚光灯，中段用中等功率的投光灯，远段用宽泛的泛光灯。CSM 的“灯具”就是每个级联的阴影贴图渲染器。这一阶段要解决一个关键问题：每个级联应该从哪个角度、覆盖多大范围去渲染深度图？

阴影贴图天然的视角是光源。假设一个平行光（比如太阳）从正上方偏右 45° 照射，那么渲染阴影贴图时，相机要移到太阳的位置，朝地面看。但注意：这个“光源相机”投影方向是正交投影，因为平行光没有近大远小的效果。CSM 为每个级联构造一个包围盒，把该级联覆盖的世界空间范围框进去，然后用正交矩阵把包围盒映射到纹理坐标：

渲染完 3 张深度图后，GPU 显存里就有了三份“路灯亮度分布图”：近层精确到 2048 像素、中层次之、远处 1024。它们共享一张纹理数组，通过 slice 索引访问，既节省显存带宽，又能让采样器快速切换。

级联采样

现在是夜晚，行人从广场出发，沿着大道前进。当他位于近段灯区时，头顶是明亮的路灯，脚下的每一处阴影都清晰锐利；当他跨过第 100 个灯杆、进入中段灯区时，灯光变得温和，阴影边缘开始有些柔化。CSM 的应用阶段要做的，就是判断“当前这个像素属于哪一段灯区”，然后去对应的阴影贴图里查询。

这个判断依据，是像素在相机空间里的深度值 z。如果我们把视锥体分割出了 4 个级联，那么 z 落在哪一级联的 [n_i, f_i] 区间，像素就采样哪一张贴图。这种选择在渲染管线的像素着色器（Fragment Shader）里逐像素完成。但有一个问题：如果两个相邻级联的贴图分辨率差异过大，像素在级联边界处剧烈跳变，画面会出现明显的“断层感”或阴影接缝。

接缝问题在 CSM 中几乎不可避免。其根源可以用一个类比理解：照片放大后会出现像素块，两张不同精度的照片拼在一起，边界处一定不匹配。现代引擎通常采用级联混合（Cascade Blending）：在两个级联的边界附近，对两张贴图的采样结果做几像素宽度的线性插值，让阴影从“清晰模式”平滑过渡到“粗略模式”。这与多分辨率纹理的 MipMap 过渡如出一辙。混合区域的权重计算如下：

工程优化

路灯管理员的方案在图纸上无懈可击，但真正施工后问题接踵而至：近段与中段的交界处，有一盏灯坏了无人发现，结果那段路面出现了一条长达 20 米的昏暗带；更麻烦的是，路政部门为了省电，把远段路灯功率调得过低，导致远处路面完全陷入黑暗，司机看不清路况。CSM 工程落地时同样充满类似的“调参陷阱”。

第一个经典问题是Peter Panning：物体看起来像飘在半空中，影子却缩在地面以下。这通常是因为深度偏移（Depth Bias）设置过大。阴影贴图把深度记录为浮点数，而实际像素在采样时因精度误差会出现“自遮挡”——像人用粗糙的尺子量过短的距离，读数时多出几毫米的抖动。解决办法是给深度比较加上一个“宽容度”：在比较时减去一个很小的数值 \(\text{bias}\)，允许一定范围的误差存在。但这把“尺子”如果掰得太弯，阴影就会被整体“蹭走”，呈现漂浮感。

第二个问题是级联边界闪烁。当相机转动或移动时，级联包围盒的边界会像呼吸灯一样忽明忽暗。因为包围盒的规模若覆盖不够，会裁剪掉近处的物体；覆盖太大，近处精度又降低。工程上通常为包围盒各方向留一点可配置的扩展余量，让阴影贴图在边界处“多盖一截墙”，避免物体刚从阴影贴图边缘进入就丢失阴影。

最后是性能与质量的天平。3 个级联的阴影贴图渲染，大约占 GPU 阴影渲染总开销的 60%～80%。级联数量从 3 增到 4，质量提升也许只有 10%，但开销却增加了 33%。正确的调参思路应当从需求倒推：先固定 3 级联 + 每级 1024 分辨率，再观察近处是否出现锯齿、远处是否出现闪烁，逐步调整。优秀的项目甚至会根据相机移动速度动态调整阴影距离。

AI 应用场景

Python 演示

import numpy as npimport matplotlib.pyplot as plt  def cs_split(n, f, m, lam):    """返回 m 个级联的 (近平面, 远平面) 列表"""    splits = []    for i in range(m):        log_part = n * (f / n) ** (i / m)        lin_part = n + (i / m) * (f - n)        near = lam * log_part + (1 - lam) * lin_part        log_part2 = n * (f / n) ** ((i + 1) / m)        lin_part2 = n + ((i + 1) / m) * (f - n)        far = lam * log_part2 + (1 - lam) * lin_part2        splits.append((near, far))    return splits  def depth_map_size(near, far, sphere_centers, sphere_radii, light_half):    """在光源正交视角下生成一张深度图"""    res = 128    light_near = 0.0    light_far = 50.0    half_h = light_half    half_w = light_half * res / res    ys = np.linspace(0, res - 1, res)    zs = np.linspace(0, res - 1, res)    gy, gz = np.meshgrid(ys, zs)    gx = -half_w + (gy / (res - 1)) * 2 * half_w    gz_w = -half_h + (gz / (res - 1)) * 2 * half_h    gy_w = 0.0 * gz_w    base = np.stack([gx, gy_w, gz_w], axis=-1)    depth = np.full((res, res), light_far, dtype=np.float32)    for c, r in zip(sphere_centers, sphere_radii):        v = base - np.array(c, dtype=np.float32)        dist2 = np.sum(v * v, axis=-1)        inside = dist2 < r * r        ds = np.sqrt(np.maximum(light_near * 0 + r * r - dist2, 0))        d = c[1] - ds        depth = np.minimum(depth, np.where(inside, d, depth))    return depth  def project_depth(world_pts, near, far, sphere_centers, sphere_radii, light_half):    """对一组世界坐标点进行 CSM 级联深度测试，返回阴影掩码"""    res = 128    uv = (world_pts[:, [0, 2]] + light_half) / (2 * light_half)    uv = np.clip(uv, 1.0 / res, 1.0 - 1.0 / res)    px = (uv[:, 0] * res).astype(int)    pz = (uv[:, 1] * res).astype(int)    depth = depth_map_size(near, far, sphere_centers, sphere_radii, light_half)    sampled = depth[pz, px]    lit = world_pts[:, 1] <= sampled    return lit  def main():    n, f, m = 1.0, 100.0, 3    csm = cs_split(n, f, m, lam=0.5)    print("级联分割边界:")    for i, (a, b) in enumerate(csm):        print(f"  级联{i + 1}: 近={a:6.2f} 远={b:6.2f}")     sphere_centers = [        np.array([4.0, 2.0, -6.0], dtype=np.float32),        np.array([-6.0, 3.0, -20.0], dtype=np.float32),    ]    sphere_radii = [2.0, 2.5]    light_half = 12.0    xs = np.linspace(-11.0, 11.0, 32)    zs = np.linspace(-11.0, 11.0, 32)    GX, GZ = np.meshgrid(xs, zs)    pts = np.stack([GX.ravel(), np.zeros_like(GX.ravel()), GZ.ravel()], axis=-1)    lit_all = np.zeros(len(pts), dtype=bool)     for idx, (near_p, far_p) in enumerate(csm):        depths = pts[:, 2] * 1.0        in_cas = (depths >= near_p) & (depths <= far_p)        if not np.any(in_cas):            continue        lit_cas = project_depth(pts[in_cas], near_p, far_p,                                sphere_centers, sphere_radii, light_half)        lit_all[in_cas] = lit_cas     shadow_image = (~lit_all).reshape(GX.shape)    plt.figure(figsize=(6, 5))    plt.imshow(shadow_image, origin="lower", cmap="gray")    plt.xlabel("x")    plt.ylabel("z")    plt.title("CSM 级联阴影图")    plt.tight_layout()    plt.savefig("csm_demo.png", dpi=100)    plt.show()  if __name__ == "__main__":    main()

1. cs_split(n, f, m, lam)用对数+线性混合公式计算每个级联的近/远边界。
2. depth_map_size(...)从光源视角生成一张深度图，记录离光源最近表面的深度。
3. project_depth(...)把世界坐标投影到光源的纹理空间，与深度图比较后判断是否被遮挡。
4. in_cas = (depths >= near_p) & (depths <= far_p)只处理落在当前级联深度范围内的像素，模拟级联选择。
5. np.minimum(depth, ...)多球体遮挡取更近的深度，对应深度图“最近表面”语义。
6. plt.imshow(shadow_image, ...)将阴影掩码可视化为灰度图。

常见误区

面试题