想象你是一个考古勘探队的新队长，任务是在整片古城遗址上估算埋藏的金银总量，但预算只够挖一百个坑。菜鸟的做法是把地图剪成小方格，每个格子打一洞，把挖到的宝贝量加起来平均——道理没错，报告却像坐过山车：大部分洞挖到泥土，偶尔一洞捅进宝库，估值瞬间翻几十倍。老探宝人完全不同。他先凭三十年经验画一张“藏宝分布图”，标出哪片区域下铲回报最高，然后把大半坑位集中到富矿，只在遗址各处零星布点，最后把每洞收获除以“这洞被挖中的概率”来记账。同样的坑数，他的报告又快又稳。把古城换成屏幕上的像素，把“宝贝量”换成“光线贡献”，这就是光线追踪里的大杀器——重要性采样（Importance Sampling）。本文带你从最朴素的随机采样出发，看清噪声的源头，学会概率密度函数这张“藏宝图”，再一路升级：光源采样、BRDF 采样，最后用多重重要性采样把各路功夫拧成一股绳。你会发现：用更少的样本画出更好的图，靠的不是蛮力，而是把每一铲都花在刀刃上的智慧。

岗位关联

重要性采样是渲染性能优化的核心杠杆：掌握它，你就能用同样的光线预算大幅降低画面噪点，这是离线渲染、影视特效与游戏光照烘焙中提升图像质量的必备技能。

目录
  1. 可视化演示
  2. 蒙特卡洛基础：随机挖坑的古老智慧
  3. 方差噪音之源：忽高忽低的报告
  4. 概率密度函数：老前辈的藏宝图
  5. 重要性采样原理：往富矿多锄几镐
  6. 光源采样：直奔明晃晃的宝箱
  7. BRDF采样：顺着反光的脉络挖
  8. 多重重要性采样：两路人马合兵一处
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示重要性采样的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

重要性采样：蒙特卡洛 蒙特卡洛积分基础与方差收敛瓶颈 重要性采样原理与概率密度函数设 核心机制可视化 重要性采样整体架构与关键组件

蒙特卡洛基础：随机挖坑的古老智慧

你正式上任寻宝队队长，任务是估出古城埋藏总量，预算只够挖一百个坑。最朴素的办法谁都会：把地图划成网格，每个格子随机挑一点下铲，记下宝贝量，最后求平均。这方法虽然土，却是一切现代估值术的地基——先别急着升级装备，地基得打牢。

渲染里也有同样的地基。每个像素的颜色是一个难以解析求解的积分：把所有可能方向上射来的光贡献累加。严格算完不现实，于是我们用随机光线代替：朝随机方向射出一条光线，记录它带回的亮度；射 N 条，取平均。这个办法叫蒙特卡洛积分（Monte Carlo Integration），口诀只有一句：均值逼近积分。

它最迷人的性质是“无偏”：在均匀采样下，样本均值的期望恰好等于真积分——渲染器不会系统性撒谎。代价是单次结果会随机抖动，抖动的大小由方差决定，这留到下一节细说。

所以，均匀挖坑的地基是稳的：理论上坑够多，报告必然收敛。但实践告诉我们，等它收敛可能等到下辈子——因为方差这位“噪声魔王”专治头铁。老探宝人接下来第一课，就是教你认清这个敌人。

I^=1N∑i=1Nf(Xi)\displaystyle \hat{I} = \frac{1}{N}\sum_{i=1}^{N} f(X_i)
  1. 积分目标我们要估计的总亮度，渲染里就是一个像素的最终颜色。
    I=∫Ωf(x) dx\displaystyle I = \int_{\Omega} f(x)\, dx
  2. 随机样本第 i 条光线的方向或位置，对应“随机下铲点”。
    Xi∼puniform(x)\displaystyle X_i \sim p_{\text{uniform}}(x)
  3. 单次观测这一铲挖到的宝贝量，即该光线带回的亮度贡献。
    f(Xi)\displaystyle f(X_i)
  4. 平均估计把 N 次观测求和后取平均，样本越多越逼近真积分。
    I^=1N∑i=1Nf(Xi)\displaystyle \hat{I} = \frac{1}{N}\sum_{i=1}^{N} f(X_i)

方差噪音之源：忽高忽低的报告

三个月后，菜鸟队长拿着均匀挖坑的报告去见老前辈：第一次 20 万两，第二次 800 万两，第三次 12 万两。老前辈只扫了一眼就笑了：“你的手气不差，差的是方差。”古城 99% 的地皮是杂草地，只有西北角巴掌大的一块窝着金脉。均匀下铲等于每铲都在赌运气：十铲九铲挖到草，偶尔一铲正中金窝，平均值就被这一铲拖上天。

光线追踪里的“杂草地”和“金窝”是什么？是一间只开一盏小台灯的房间。从像素射出的光线在半球上均匀乱撞，绝大多数方向撞上灰墙，只带回一点漫反射亮度；极少数方向正中灯泡，带回的辐射度是墙面的成百上千倍。于是同一像素反复计算时，亮度时而灰暗时而爆亮——画面上就是飞舞的椒盐噪点，术语叫方差（Variance）。

方差的数学规律很残酷：N 个独立样本取平均，估计值的方差只缩小为原来的 1/N，标准差更是只按 N 的平方根衰减。

教训沉重而宝贵：靠增加样本硬刚噪声，性价比极低。真正的功夫在于“驯服单样本方差”，而驯服的工具，就是下一节的藏宝分布图。

Var[I^]=1N Var[f(X)]\displaystyle \mathrm{Var}[\hat{I}] = \frac{1}{N}\,\mathrm{Var}\bigl[f(X)\bigr]
  1. 方差定义衡量估计值围绕均值抖动的平方均值，抖动越大越刺眼。
    Var[Y]=E[Y2]−(E[Y])2\displaystyle \mathrm{Var}[Y] = \mathbb{E}\bigl[Y^2\bigr] - \bigl(\mathbb{E}[Y]\bigr)^2
  2. 单样本方差尖峰函数令单铲收益在 1 与 81 之间剧烈跳动。
    Var[f(X)]\displaystyle \mathrm{Var}\bigl[f(X)\bigr]
  3. 平均稀释N 次平均把方差缩小 N 倍。
    Var[I^]=Var[f(X)]N\displaystyle \mathrm{Var}[\hat{I}] = \frac{\mathrm{Var}[f(X)]}{N}
  4. 收敛代价标准差按 1/√N 衰减，样本翻 4 倍噪声才减半。
    σ[I^]∝1N\displaystyle \sigma[\hat{I}] \propto \frac{1}{\sqrt{N}}

概率密度函数：老前辈的藏宝图

老前辈从怀里掏出一张皱巴巴的图纸，上面没有地形，只有一圈圈等高线：西北角洼地画得又密又深，外围荒地几乎空白。“这是我三十年的功夫。它不是告诉某点有多少宝，而是告诉我：如果朝这片遗址随便扔一枚飞镖，扎中某一小块区域的概率有多大。整张图的概率加起来，必须恰好等于一。”

这张图纸在数学上叫概率密度函数（PDF），记作 p(x)，有两个铁律：处处非负、全域积分等于 1。在渲染里，PDF 就是“采样策略说明书”：采样器按照它的指引去抽方向、抽位置。抽签的机械装置叫“累计分布函数反演”：把密度从负无穷一路累加，得到一条从 0 到 1 的刻度尺；想抽一个样本，就在尺子上均匀扎一个随机数，反查对应位置。

有了图，还得判断图靠不靠谱：图与真实藏宝分布越吻合，下铲效率越高；若把富矿画成荒地，采样器就会在关键区域“失明”。

有了图，还得知道“图靠不靠谱”：如果图与真实藏宝分布高度吻合，下铲效率就高；如果图把富矿画成荒地，采样器就会在关键区域“失明”。下一节看老前辈如何用这张图完成乾坤大挪移。

p(x)≥0,∫Ωp(x) dx=1,F(x)=∫−∞xp(t) dt,X=F−1(U)\displaystyle p(x) \ge 0, \quad \int_{\Omega} p(x)\, dx = 1, \qquad F(x) = \int_{-\infty}^{x} p(t)\, dt, \qquad X = F^{-1}(U)
  1. 概率非负任何位置的概率密度都不能为负，就像藏宝密度不可能“负藏宝”。
    p(x)≥0\displaystyle p(x) \ge 0
  2. 全域归一整个采样空间内概率加起来等于 1，采样必然落在其中某处。
    ∫Ωp(x) dx=1\displaystyle \int_{\Omega} p(x)\, dx = 1
  3. 累计分布把密度从最左边一路累计到 x，得到一条 0 到 1 的刻度尺。
    F(x)=∫−∞xp(t) dt\displaystyle F(x) = \int_{-\infty}^{x} p(t)\, dt
  4. 反演采样在刻度尺上均匀扎一个随机数 U，反查出位置 X，这就是“按图抽签”。
    X=F−1(U)\displaystyle X = F^{-1}(U)

重要性采样原理：往富矿多锄几镐

老前辈叮嘱：“看图下铲，富矿多挖，荒地少挖。但每铲必须记账：挖到多少宝，就除以这一铲被抽中的概率。”你懵了：为什么？他反问：“如果人人都往金窝挤，直接平均，金窝岂不被重复算了无数遍？除以概率，等于把'人多的虚高'打回原形——每一铲都回归它代表的面积份额，账才平。”

这就是重要性采样的核心动作：让采样概率 p(x) 尽可能长得像贡献函数 f(x)，然后用 f(x)/p(x) 修正每个样本。数学上妙不可言：只要 p 在 f 非零的区域处处大于零，加权后的期望始终等于原积分——“无偏”保住；而 p 越像 f，单样本记录越接近常数，方差越小。若 p 恰好正比于 f，每个样本的修正值都等于积分真值，方差直接归零。

理想密度 p* 需要先知道积分真值 I——这像“先看答案再考试”，现实中做不到，所以我们只能用可解析的形状去近似 f：要么顺着光源方向，要么顺着表面反射方向。

接下来的章节就是两种最常见的“近似 f”：f 的尖峰由“从哪发光”决定，于是有光源采样；也由“表面向哪反射”决定，于是有 BRDF 采样。前者管灯光，后者管材质，两路功夫缺一不可。

I^=1N∑i=1Nf(Xi)p(Xi),Xi∼p(x),p∗(x)=f(x)∫Ωf(t) dt\displaystyle \hat{I} = \frac{1}{N}\sum_{i=1}^{N}\frac{f(X_i)}{p(X_i)},\qquad X_i \sim p(x),\qquad p^{*}(x) = \frac{f(x)}{\int_{\Omega} f(t)\, dt}
  1. 加权估计器每个样本除以自己的抽取概率，密集区样本权重变小、稀疏区变大。
    f(Xi)p(Xi)\displaystyle \frac{f(X_i)}{p(X_i)}
  2. 无偏性加权后的期望依然回到原积分，多采不破坏诚实。
    E ⁣[f(X)p(X)]=∫Ωf(x) dx=I\displaystyle \mathbb{E}\!\left[\frac{f(X)}{p(X)}\right] = \int_{\Omega} f(x)\, dx = I
  3. 理想密度与贡献函数完全成正比的“完美藏宝图”。
    p∗(x)=f(x)I\displaystyle p^{*}(x) = \frac{f(x)}{I}
  4. 零方差若真用上 p*，每铲记录恒等于 I，方差归零；现实中只能近似。
    f(x)p∗(x)=I,Var=0\displaystyle \frac{f(x)}{p^{*}(x)} = I, \qquad \mathrm{Var} = 0

光源采样：直奔明晃晃的宝箱

假设古城中央摆着一口金灿灿的宝箱，你当然不会满山遍野去寻找它的碎光，而是径直走到箱子边下铲。光源采样就是这个直觉：直接光照中贡献最大的一股来自光源本身，那为什么不直接在光源表面撒点、把路径“接”回着色点？几乎每条光线都稳稳带回能量，而不是在暗处瞎转悠。

实操上，我们在光源表面按面积均匀撒点，得到入射方向 ωi，估计器形如：入射辐射度 × 材质响应 × 余弦夹角，再除以“该方向被抽中的概率”。对一盏小面积强灯，光源采样几乎是降维打击：均匀采样要 1000 条光线才压住的噪点，现在 100 条就服服帖帖。

但老前辈提醒：光源采样不是万能钥匙。如果房间中央不是宝箱，而是一面光可鉴人的镜子，它把窗外一小片天空的光反射到某个刁钻方向——光源采样只能在天空光上均匀撒点，恰好命中反射方向的概率低得可怜。这种场合，得看第二派功夫。

光源采样对付“小面积强光”如探囊取物，可一旦表面变成镜子，它就抓瞎了。这时候，得换第二派挖法：顺着反光的方向挖。

L^dir=Lin(x,ωi) fr(x,ωi) cos⁡θipL(ωi)\displaystyle \hat{L}_{\mathrm{dir}} = \frac{L_{\mathrm{in}}(x, \omega_i)\, f_r(x, \omega_i)\, \cos\theta_i}{p_L(\omega_i)}
  1. 入射辐射度从光源方向射来的光亮度，正是“宝箱的光芒”。
    Lin(x,ωi)\displaystyle L_{\mathrm{in}}(x, \omega_i)
  2. 材质响应BRDF 决定表面把这束光弹向相机的比例。
    fr(x,ωi)\displaystyle f_r(x, \omega_i)
  3. 余弦几何项光斜射时摊到更大面积，单位面元收到的能量按余弦衰减。
    cos⁡θi\displaystyle \cos\theta_i
  4. 光源采样密度每束光被抽中的概率，除它才能保证无偏记账。
    pL(ωi)\displaystyle p_L(\omega_i)

BRDF采样：顺着反光的脉络挖

老前辈的第二招叫“看地形下铲”。同样是坟场，沙地漫反射、四面平光；磨光的石板却能汇聚一束反光，刺得人眼疼。地形的脾气决定了宝贝会朝哪个方向冒头——渲染里，地形的脾气就是 BRDF：表面材质把入射光按什么比例弹向四面八方。摸清脾气，采样器就能顺着脾气下铲。

对漫反射表面，BRDF 是常数，唯一剩下的几何因素是余弦项 cosθ：垂直入射的微面元贡献最大，掠射几乎为零。于是采样密度直接取 p(ω)=cosθ/π，方向“上多下少”。奇妙的是，把它代入估计器，分子分母的 cosθ 与 π 对消，估计量退化成 π·Lin·fr，方差被大幅压低。

光滑高光表面同理：把采样密度集中在镜面反射方向附近，反射波瓣越窄、密度越尖、命中率越高。BRDF 采样对付“大面积光源 + 光滑表面”几乎是免噪神器，但若光源小如针尖，想在波瓣里恰好对准那根针，概率约等于零。

高光党怕小灯，光源党怕镜子。老前辈笑笑：那就不要选边站，让两队人马同时开工——这就是多重重要性采样登场的理由。

pcos⁡(ω)=cos⁡θπ,L^=Lin fr cos⁡θpcos⁡(ω)=π Lin fr\displaystyle p_{\cos}(\omega) = \frac{\cos\theta}{\pi}, \qquad \hat{L} = \frac{L_{\mathrm{in}}\, f_r\, \cos\theta}{p_{\cos}(\omega)} = \pi\, L_{\mathrm{in}}\, f_r
  1. 余弦加权密度正上方最容易被采到，掠射方向几乎不被采。
    pcos⁡(ω)=cos⁡θπ\displaystyle p_{\cos}(\omega) = \frac{\cos\theta}{\pi}
  2. 归一化验证密度在整个半球上积分恰好为 1。
    ∫Ωhcos⁡θπ dω=1\displaystyle \int_{\Omega_h} \frac{\cos\theta}{\pi}\, d\omega = 1
  3. 方向抽取用两个均匀随机数反演出“上多下少”的方向。
    θ=arccos⁡U1,φ=2πU2\displaystyle \theta = \arccos\sqrt{U_1}, \qquad \varphi = 2\pi U_2
  4. 夹角对消分子分母的 cosθ 与 π 约掉，估计器变得极其平静。
    L^=π Lin fr\displaystyle \hat{L} = \pi\, L_{\mathrm{in}}\, f_r

多重重要性采样：两路人马合兵一处

老前辈把两支探宝队叫到跟前：“光源队擅长对付宝箱，反射队擅长追着反光走。今天起，别争谁强——同时撒出去，谁在当下的地形里把握大，就多听谁的。”

多重重要性采样（MIS）就是这份军令的数学化：每个样本既可由光源策略生成，也可由 BRDF 策略生成。关键在权重——最常用的“平衡启发式”按各策略在当前样本处的密度占比分配权重。妙处在于，任意一点上所有策略的权重加起来恒等于 1，因此总估计依旧无偏；理论还保证其方差接近、甚至优于最优的单一策略。

至此，你的寻宝工具箱终于齐了：蒙特卡洛是下铲的规矩，方差是敌人的情报，PDF 是手上的地图，重要性采样是按图分配的铲子，光源采样与 BRDF 采样是两路精兵，MIS 是调度将军。把整套手艺装进渲染器，同样的 100 条光线，画面从“满天星”变成“剥壳鸡蛋”。

少挖坑，多办事——寻宝如此，渲染亦然。这就是重要性采样的全部浪漫：用更少的样本，画出更好的图。

wi(x)=ni pi(x)∑k=1mnk pk(x),I^=∑i=1m1ni∑j=1niwi(Xi,j) f(Xi,j)pi(Xi,j)\displaystyle w_i(x) = \frac{n_i\, p_i(x)}{\sum_{k=1}^{m} n_k\, p_k(x)}, \qquad \hat{I} = \sum_{i=1}^{m}\frac{1}{n_i}\sum_{j=1}^{n_i} w_i(X_{i,j})\, \frac{f(X_{i,j})}{p_i(X_{i,j})}
  1. 平衡启发式策略的把握用“样本数 × 密度”衡量，占比大者话语权高。
    wi(x)=ni pi(x)∑k=1mnk pk(x)\displaystyle w_i(x) = \frac{n_i\, p_i(x)}{\sum_{k=1}^{m} n_k\, p_k(x)}
  2. 权重归一任何采样点上各策略权重相加等于 1，这是无偏的担保。
    ∑i=1mwi(x)=1\displaystyle \sum_{i=1}^{m} w_i(x) = 1
  3. 合并估计各策略内部先做加权平均，再求和形成总估计。
    I^=∑i=1m1ni∑j=1niwi(Xi,j) f(Xi,j)pi(Xi,j)\displaystyle \hat{I} = \sum_{i=1}^{m}\frac{1}{n_i}\sum_{j=1}^{n_i} w_i(X_{i,j})\, \frac{f(X_{i,j})}{p_i(X_{i,j})}
  4. 方差保证MIS 的方差接近最优单一策略，几乎总是更优，最坏也只差一个常数倍。
    Var[I^MIS]≤Var[I^best]+O ⁣(1N)\displaystyle \mathrm{Var}[\hat{I}_{\mathrm{MIS}}] \le \mathrm{Var}[\hat{I}_{\mathrm{best}}] + O\!\left(\frac{1}{N}\right)

AI 应用场景

影视动画离线渲染提速

阶段：渲染推理优化（采样策略配置）

解决的问题：传统均匀采样靠堆样本压噪，每帧渲染数小时仍残留“火萤”噪点；用光源采样 + BRDF 采样 + MIS 组合后，同样预算下噪声大幅下降，或同样噪声目标下渲染时间几乎减半。

具体案例：某动画工作室渲染室内夜景戏，窗外一盏窄路灯光加上抛光地板。原先每像素 1024 样本仍有噪斑；工程师将直接光照改为光源采样、间接光按余弦加权采样，并用 MIS 加权，样本降至 512，噪点指标反而更优，单帧耗时从 8 分钟降到 4 分钟。

游戏大世界光照预烘焙

阶段：场景数据准备（光照预计算）

解决的问题：实时渲染不能每像素跑几千条光线，预烘焙全局光照是主流；但大世界地编常遇到烘焙 8 小时、暗部仍有噪斑的尴尬。重要性采样让每条烘焙光线都“值回票价”。

具体案例：某开放世界项目的阴影与间接光烘焙，使用余弦加权半球采样 + 天空光光源采样，配合 MIS 融合，烘焙时间从 8 小时降到 5 小时，暗部噪斑消失，夜间灯光不再闪烁。

与 AI 降噪器协作的实时渲染

阶段：AI 推理后处理（降噪管线输入优化）

解决的问题：AI 降噪器能“抹”掉噪声，但输入噪声过大会产生糊斑与残影；先用重要性采样把每像素方差压到合理水平，再交给降噪器，是“治本 + 治标”的双保险。

具体案例：实时路径追踪方案中，每像素 64 样本 + 重要性采样 + AI 降噪，比每像素 256 均匀样本 + AI 降噪的细节保持更好、帧耗时反而更低；NVIDIA OptiX 等现代管线中即为标准组合。

Python 演示

python66 行
import mathimport random  def f(x):    # 贡献函数: 平坦底色(暗墙) + 一座窄而高的亮灯尖峰    return 1.0 + 80.0 * math.exp(-((x - 0.8) ** 2) / 0.001)  def g(x):    # 与尖峰形状相近的高斯密度, 方差 0.0005    sigma = math.sqrt(0.0005)    return math.exp(-((x - 0.8) ** 2) / 0.001) / (sigma * math.sqrt(2.0 * math.pi))  def pdf(x, alpha=0.8):    # 混合密度: 80% 投到尖峰附近, 20% 均匀兜底    return (1.0 - alpha) + alpha * g(x)  def sample(alpha=0.8):    # 按混合密度抽取一个样本 x    if random.random() < alpha:        while True:            x = random.gauss(0.8, math.sqrt(0.0005))            if 0.0 <= x <= 1.0:                return x    return random.random()  def estimate_uniform(n):    return sum(f(random.random()) for _ in range(n)) / n  def estimate_is(n):    total = 0.0    for _ in range(n):        x = sample()        total += f(x) / pdf(x)    return total / n  def run_trials(estimator, n, trials=500):    values = [estimator(n) for _ in range(trials)]    mean = sum(values) / trials    variance = sum((v - mean) ** 2 for v in values) / trials    return mean, variance  def numerical_integral():    steps = 2000000    dx = 1.0 / steps    return sum(f((i + 0.5) * dx) for i in range(steps)) * dx  def main():    print("真值(数值积分): %.4f" % numerical_integral())    for n in (16, 64, 256):        m1, v1 = run_trials(estimate_uniform, n)        m2, v2 = run_trials(estimate_is, n)        print("n=%4d 均匀: 均值%.4f 方差%9.2f | 重要性: 均值%.4f 方差%9.2f | 方差降低约%.1f倍"              % (n, m1, v1, m2, v2, v1 / v2))  if __name__ == "__main__":    main()
目的：在一维“暗墙 + 一盏小灯”的模拟场景中，对比均匀采样与重要性采样两种蒙特卡洛估计器的均值与方差，直观展示“同样的样本数，重要性采样方差低几十上百倍”。
  1. return 1.0 + 80.0 * math.exp(-((x - 0.8) ** 2) / 0.001)定义模拟“一盏小灯”的尖峰贡献函数：大部分地方亮度为 1，只有 x≈0.8 附近亮到 81。
  2. return (1.0 - alpha) + alpha * g(x)构造“近似 PDF”：八分概率跟着尖峰走，二分均匀兜底，保证任何位置都可能被采到。
  3. while True:用拒绝法把高斯样本拉回 [0,1]，确保采样点永远落在有效区间。
  4. total += f(x) / pdf(x)这是重要性采样的记账规则：每个样本贡献除以它被抽中的概率，加权后才无偏。
  5. values = [estimator(n) for _ in range(trials)]把同一实验重复几百次，才能统计出方差，看出哪种采样更稳。
  6. m1, v1 = run_trials(estimate_uniform, n)分别评估两种策略，你会发现均值都接近真值 5.48，方差却天差地别。

常见误区

误区我以为重要性采样就是把光线集中射向明亮的光源方向，最后直接把这些样本的亮度求平均，图像应该又亮又干净。可实际渲染出来整体发白过曝，我一度怀疑是曝光参数坏了。

正解集中采样只是“手段”，除以概率 p 的加权才是“手续”。朝光源多发射，意味着这些样本在平均中的出现次数被人为抬高，不除以“被抽中的概率”，等于把同一条光路重复计了好几笔账，期望被系统性抬高，图像就发白。记住 f(x)/p(x) 中 p 是每个样本的“出场标记”，没有它，任何偏倚采样都会变成有偏估计。

为何常见：“哪里重要采哪里”这句话太顺口，公式里看似多余的分母很容易被当作数学装饰忽略，尤其在不看推导只看结论的初学者眼里。

误区既然要把样本都花在刀刃上，那把概率密度全部押在贡献最大的那一个方向，方差不就彻底归零了吗？我试着把采样分布写成一个几乎不扩散的窄脉冲。

正解归一化的 PDF 总面积必须为 1，把密度全押在一点，意味着其它区域的密度趋近于零。只要 f 在那些区域还有非零贡献，权重 f/p 就会逼近无穷大，零星几个样本就能制造出天文数字级的记录——这就是异常明亮点，渲染圈叫 firefly。稳妥的 PDF 要“覆盖”f 的所有非零区域：在 f 大的地方尽量匹配，在 f 小的地方也留一点底线概率。

为何常见：人对“集中优势兵力”有天然好感，却容易忽略概率守恒——总面积只有 1，集中到一点，别处必然归零。

误区我觉得出图噪点多没关系，反正有 AI 降噪器一键磨皮。重要性采样听起来像学术论文里的优化技巧，工程上只是锦上添花。

正解降噪器是“事后处理”：它只能抹除已经产生的噪声痕迹，同时可能抹掉细节、留下模糊与残影。重要性采样发生在“采样阶段”，它直接降低每个样本的方差，让噪声在源头就变小。正确姿势是两者协作：先用重要性采样把方差压到合理区间，再用 AI 降噪器收尾；指望降噪器硬扛均匀采样的高方差，得到的是糊成一团的画面。

为何常见：渲染器把采样策略封装在内部，很多开发者只接触输出端的降噪 API，自然以为优化就只有“滤镜”这一层。

误区我写了两套采样器，一套光源采样、一套 BRDF 采样，然后想当然地把两个估计值加起来除以二，自认为这就是多重重要性采样，结果画面噪声比单一策略还大。

正解朴素平均会把“烂策略”的高方差原封不动地掺进来。MIS 用的是“按把握加权”：平衡启发式让权重正比于该策略在当前位置的密度占比，光源策略擅长的场景它自动称王，BRDF 策略擅长的场景它自动让位，且任意点权重和为 1，保证无偏。加权不是平均，是“能者多劳”。

为何常见：“平均更稳妥”是日常直觉，而 wi=ni·pi/Σnk·pk 的公式第一眼看起来只是数学符号，容易让人绕过公式直接用直觉。

面试题

Q1. 蒙特卡洛积分中，估计量的方差随样本数 N 如何变化？

单选题 · easy

  • A.方差与采样数 N 成正比
  • B.方差与采样数 N 成反比← 正确答案
  • C.方差与 N 的平方根成反比
  • D.方差与 N 的平方成反比

答案：B。N 个独立样本取平均，方差恰好缩小为单样本方差的 1/N，即与 N 成反比（选项 B）。容易混淆的是标准差：它按 1/√N 衰减，所以选项 C 说的是标准差。想让噪声减半，需要把样本翻四倍——这正是“堆样本不划算”的原因。

Q2. 重要性采样估计器 f(X)/p(X) 中，分母 p(X) 的作用是什么？

单选题 · easy

  • A.抵消采样偏向的加权修正← 正确答案
  • B.让画面更鲜艳的滤镜系数
  • C.控制 GPU 线程数的参数
  • D.增加光线数量的乘数

答案：A。采样器偏向高概率区域，直接平均会把“去得多的地方”重复计算；除以 p(X) 后，样本权重被拉回客观的“面积份额”，期望不变、方差降低，这就是“记账”动作（选项 A）。B、C、D 都是对分母作用的误解——它既不调色、也不管线程、更不该改变样本数。

Q3. 当采样概率 p(x) 与贡献函数 f(x) 成正比时，重要性采样会发生什么？

单选题 · mid

  • A.估计值变成原来的两倍
  • B.估计方差立即趋近于零← 正确答案
  • C.估计结果从此变得有偏
  • D.采样点全部作废失效

答案：B。p(x)=f(x)/I 时，每个样本的修正值 f(x)/p(x) 恒等于积分真值 I，方差归零（选项 B）。这相当于“拿着完美的藏宝图下铲，每铲记录都一样”。但题目中 I 正是要求解的目标，所以 p* 只是理论极限，实际只能近似。

Q4. 场景：一间黑暗房间只开一盏极小的强光灯，照射在粗糙漫反射墙面上。直接光照应优先采用哪种采样策略？

单选题 · mid

  • A.优先采用光源表面采样← 正确答案
  • B.优先采用 BRDF 方向采样
  • C.均匀向半球乱射光线
  • D.完全依赖 AI 降噪后处理

答案：A。小面积强光源是“宝箱”型场景，直接在光源表面撒点、把路径接回着色点，几乎每条光线都带回能量（选项 A）。BRDF 采样要“恰好”把方向对准针尖大的灯，概率极低，方差反而放大；均匀采样等于赌运气；AI 降噪抹不掉高方差采样留下的噪声。

Q5. 大面积天空光照射一面高光泽金属表面时，反射贡献主要集中在哪里？

单选题 · mid

  • A.集中在表面法线方向
  • B.集中在镜面反射方向← 正确答案
  • C.集中在光源表面中心
  • D.完全随机且各向均匀

答案：B。高光泽表面的 BRDF 波瓣极窄，光能主要沿“入射方向关于法线的镜面反射方向”射出。把采样密度集中在镜面反射方向附近，就是 BRDF 采样的精髓（选项 B）。这类场景若用光源采样，概率摊在整个天空光上，命中反射路径的概率极低。

Q6. 多重重要性采样的平衡启发式权重 wi(x) 应如何计算？

单选题 · hard

  • A.按各策略密度占比加权← 正确答案
  • B.直接取当前密度的倒数
  • C.在所有策略间平均分配
  • D.用贡献值除以样本总数

答案：A。平衡启发式 wi = ni·pi / Σk nk·pk，谁的“样本数 × 密度”在当前方向上更大，谁的话语权就更高（选项 A）。加权后任意一点权重之和恒为 1，保证无偏。B 是单个重要性采样的记账动作，C 是朴素平均，D 张冠李戴。

Q7. 当近似 PDF 在贡献函数 f 很大的区域取值过小时，会出现什么现象？

单选题 · hard

  • A.个别样本权重过大产生亮斑← 正确答案
  • B.图像整体变灰亮度下降
  • C.采样速度变得更快
  • D.结果无偏不受任何影响

答案：A。权重 f(x)/p(x) 中 p 很小时，记录值被放大成天文数字，一颗“火星种子”就能在画面上烧出异常亮斑，渲染圈叫 firefly（选项 A）。好的 PDF 必须覆盖 f 的所有非零区域，宁可在低谷“保守”，也不能在高峰“失明”。

Q8. 以下哪些方法能够真正降低路径追踪图像中的方差或噪点？

多选题 · mid

  • A.增加每像素的采样数量← 正确答案
  • B.采用光源采样降低方差← 正确答案
  • C.对输出图像做对比度锐化
  • D.采用多重重要性采样← 正确答案

答案：ABD。增加样本把方差按 1/N 摊薄（A）；光源采样与 MIS（B、D）从源头降低单样本方差。C 的锐化只是增强对比，噪声也被放大，不减方差。降方差要么多挖坑（N），要么把铲子下到金矿上（重要性采样），后者的性价比高得多。

Q9. 关于概率密度函数 p(x) 的性质，下列说法正确的是？

多选题 · mid

  • A.在所有位置取值非负← 正确答案
  • B.全域积分结果等于一← 正确答案
  • C.必须严格正比于贡献函数
  • D.高密度处样本权重较小← 正确答案

答案：ABD。PDF 的铁律是“非负”和“归一”（A、B）。C 错：正比于 f 只是零方差的理想状态，现实中只能用近似 PDF，只要处处为正且归一即可无偏。D 对：权重是 1/p，p 越大权重越小，这正是“多采也要打折记账”的道理。

Q10. 关于多重重要性采样，下列说法正确的有？

多选题 · hard

  • A.合并光源与 BRDF 两类策略← 正确答案
  • B.任意采样点权重之和为一← 正确答案
  • C.只能用于直接光照估计
  • D.能完全消除蒙特卡洛噪声

答案：AB。MIS 的核心是把光源采样、BRDF 采样等多策略按平衡启发式合并（A），且任一累加点的权重和为 1，确保无偏（B）。C 错：MIS 同样可用于间接光照与双向路径追踪。D 错：除非策略完美覆盖 f，否则只是方差降低而非归零。