路径追踪 Path Tracing

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

基本原理

邮差从不会追着每一封信去寻找收件人，他只会站在信箱前，思考“我该沿着哪条路把信送到”。渲染也一样——与其模拟太阳发射的亿万光子中每一个的漫长旅程，不如反向派差：让光线从相机（眼睛）出发，像邮差从信箱出发一样，沿着光可能走过的路径倒着走回去。这种“反过来追踪”的思路，就是路径追踪的起点。

这条反向路径每到一个物体表面，就要决定下一站去向何方。是像镜子一样被反射？还是像玻璃一样被折射？这个“去路”完全由表面的朝向和材质决定。一次次中转，直到某条路径终于撞上了光源——恭喜，这封信送到了。我们把这一整条“相机→表面→表面→……→光源”的轨迹，叫做一条路径；它贡献的亮度，就是这条路径递给像素的“信”。

光在理想镜面上反射时，方向变化遵循一条简洁的几何规律：入射方向关于表面法线对称。

现实世界几乎没有纯粹镜面。但正是这条基础规则，连同后续的漫反射随机散射，构成了邮差们在大街小巷转弯时的“交通规则”。方向算对了，路径才能送达。

关键算法

邮局没有整座城市的路网图，怎么办？笨办法却非常有效：每条街派出成百上千个邮差去试，看哪些路线真能抵达收件人，回来统计概率。路径追踪面对的光照积分，同样“无法手算”，于是请出了蒙特卡洛方法——用随机采样去逼近精确答案。

对每个像素，我们不是只派一个邮差，而是派 \(N\) 个：每个邮差从相机出发，在遇到表面时按材质随机挑一个方向继续前进。这条随机路径最终要么抵达光源（贡献亮度），要么迷失在场景深处（贡献为零）。把所有邮差的贡献取平均，就得到该像素的亮度估计。路径可以无限反弹下去，因此还需要一个“俄罗斯轮盘”机制：每次反弹有概率 \(q\) 直接收工，没被收工的路径贡献要除以 \(1-q\)，保证统计上无偏。

$$\displaystyle \langle L \rangle = \frac{1}{N}\sum_{k=1}^{N} \frac{f(X_k)}{p(X_k)}$$

1. 样本平均：对随机变量 \(f(X)\) 取 \(N\) 个独立样本，先求算术平均。

$$\langle L \rangle = \frac{1}{N}\sum_{k=1}^{N} f(X_k)$$

2. 概率修正：每个样本要除以它被抽中的概率密度 \(p(X_k)\)，统计期望才等于真实积分。

$$\langle L \rangle = \frac{1}{N}\sum_{k=1}^{N} \frac{f(X_k)}{p(X_k)}$$

3. 收敛保证：大数定律保证当样本数趋于无穷时，估计值收敛到真实积分。

$$\lim_{N \to \infty} \langle L \rangle = \int f(x)\,dx$$

100 个邮差只能摸个大概，1 万个邮差就能画出一张相当可信的街区亮度图。这就是采样的魔力；俄罗斯轮盘则是让体力不支的邮差提前收工，省力却不偏航。

核心方程

邮局有一本总账，记录着每个区块进出信件的流量。光的世界里也有一本“总账”——渲染方程。它描述的是：一个表面点向外发出的光，等于它自身发光的量，加上它把四面八方照来的光反射出去的量。

1986 年，Kajiya 把这句话写成了数学。方程里的每一项都有明确角色：\(L_o\) 是出射辐射（邮差离去的信量），\(L_e\) 是自发光（这栋楼本身就是发电站），\(f_r\) 是 BRDF（材质名片，说明墙面是镜子还是粉笔墙），\(L_i\) 是入射辐射，而那个积分符号则要求我们把表面上半球所有方向照来的光逐一累加。

$$\displaystyle L_o(x,\omega_o)=L_e(x,\omega_o)+\int_{\Omega} f_r(x,\omega_i,\omega_o)\,L_i(x,\omega_i)\,(\omega_i\cdot n)\,d\omega_i$$

1. 出射辐射：点 \(x\) 沿方向 \(\omega_o\) 发出的总辐射，对应邮差携带的最终信件。

$$L_o(x,\omega_o)$$

2. 自发光：点 \(x\) 自身发光（太阳、灯泡）直接贡献的部分。

$$L_e(x,\omega_o)$$

3. 半球积分：对表面上半球 \(\Omega\) 的所有入射方向 \(\omega_i\) 求和。

$$\int_{\Omega} \cdots \, d\omega_i$$

4. 材质散射：入射光 \(L_i\) 经过 BRDF \(f_r\) 的散射后转向 \(\omega_o\)，\(\omega_i\cdot n\) 是入射角的投影衰减。

$$f_r(x,\omega_i,\omega_o)\,L_i(x,\omega_i)\,(\omega_i\cdot n)$$

5. 合并方程：出射光 = 自发光 + 半球积分，形成递归的自洽光照描述。

$$L_o(x,\omega_o)=L_e(x,\omega_o)+\int_{\Omega} f_r(x,\omega_i,\omega_o)\,L_i(x,\omega_i)\,(\omega_i\cdot n)\,d\omega_i$$

这本总账极其复杂，普通解析方法无从下手。但路径追踪的“随机邮差”恰好是它的理想计算员——每条随机路径，都是在账本上做一次抽样核对。

性能瓶颈

100 个邮差只能画出轮廓，100 万个邮差才能看清门牌号——可 100 万个邮差非常昂贵。路径追踪天生是一把“慢刀子”：它是一种无偏估计，图像质量与噪声水平完全由采样统计决定。

如果单条路径的亮度方差是 \(\sigma^2\)，那么 \(N\) 条路径的样本均值方差就是 \(\sigma^2 / N\)。换句话说，标准误差按 \(1/\sqrt{N}\) 的速度下降。想把噪点幅度减半，需要把样本数变成原来的 4 倍；想减到十分之一，则是 100 倍。这就是路径追踪“越追越清晰，却越追越昂贵”的两难。

$$\displaystyle \mathrm{Var}\big[\langle L \rangle\big] = \frac{\sigma^2}{N}$$

1. 样本均值：\(N\) 条路径的平均亮度本身也是一个随机变量。

$$\langle L \rangle = \frac{1}{N}\sum_{k=1}^{N} X_k$$

2. 方差反比：独立同分布样本的均值方差，等于单样本方差的 \(N\) 分之一。

$$\mathrm{Var}\big[\langle L \rangle\big] = \frac{\sigma^2}{N}$$

3. 标准差衰减：开方之后得到 \(1/\sqrt{N}\) 的收敛速率，这是噪声的物理极限。

$$\sigma_{\langle L \rangle} = \frac{\sigma}{\sqrt{N}}$$

所以，屏幕上那些刺眼的“颗粒感”不是 bug，而是统计波动的必然产物。样本太少，邮差的个别失误就会被放大成整条街的错误印象。

优化策略

老邮差不会满城乱转，他专挑大概率成功的捷径；大雾天看统计表看不清，就戴上一副滤色镜；邮局还把城市划分成网格，做成遥感地图。这三件事对应路径追踪的三大优化思路：重要性采样、降噪滤波、BVH 加速。

重要性采样让随机方向不再“均匀瞎试”，而是尽量往贡献大的方向（比如漫反射按余弦分布）多采样。这样样本普遍落在“有信可送”的路径上，方差骤降。对于理想朗伯表面，常用的采样密度是 \(p(\omega) = \cos\theta / \pi\)，它让被积函数里的 \(\cos\theta\) 与采样概率相消，方差大幅缩小。降噪则利用像素邻域和时序信息，在保持边缘锐利的同时抹掉统计噪声；BVH（包围体层次结构）把场景几何组织成树，使光线求交从遍历所有物体变成树搜索。

$$\displaystyle p(\omega) = \frac{\cos\theta}{\pi}$$

1. 概率密度：\(p(\omega)\) 是方向 \(\omega\) 被抽中的概率密度，在半球上积分为 1。

$$p(\omega) = \frac{\cos\theta}{\pi}$$

2. 加权估计：把每个样本除以 \(p\) 再平均，期望不变，方差却大大减小。

$$\langle L \rangle = \frac{1}{N}\sum_{k=1}^{N}\frac{f(\omega_k)}{p(\omega_k)}$$

3. 相消效应：朗伯表面 \(f \propto \cos\theta\)，与 \(p\) 的分子相消，样本贡献趋于常数。

$$f \propto \cos\theta \;\Rightarrow\; \frac{f}{p} \approx \text{const}$$

同样数量的邮差，用对策略后统计精度能提升好几倍。省下的每一分钟渲染时间，都是真金白银的算力成本。

工程实践

邮局大楼最烧钱的地基工程，是“门牌查询系统”——每封信都要快速定位。路径追踪的地基，则是光线求交：每次反弹都要回答“这束光撞到了谁？撞在哪个点？”。

如果场景里是球体，求交就是解一个二次方程；如果是复杂三角形网格，则需要专门的快速求交算法。好消息是，每个像素的光线彼此完全独立，这让路径追踪天然适合 GPU 并行——成千上万个“邮差”可以在不同街区同时开工。工程上还可以采用渐进式累积：每帧只补加一批新样本，画面会随着时间推移越来越清晰，而不是等全部样本算完才一次性显示。

$$\displaystyle P(t) = O + t\,D$$

1. 射线方程：射线上的任意点都可以写成起点加方向乘以距离。

$$P(t) = O + t\,D$$

2. 代入球面：把射线点代入球面方程 \(|P(t)-C|^2 = r^2\)，整理成关于 \(t\) 的二次方程。

$$t^2(D\cdot D) + 2t\,D\cdot(O-C) + (O-C)\cdot(O-C) - r^2 = 0$$

3. 最近交点：取判别式非负情况下的最小正根，就是光线第一次撞到球面的位置。

$$t = \frac{-b - \sqrt{b^2 - 4ac}}{2a}$$

地基打牢了，邮差再勤奋奔跑也不至于撞墙出 bug。这是路径追踪从论文走向工业级渲染器的底气。

应用范式

电影厂印邮票要精工细作，便利店则要求立等可取——离线渲染与实时渲染，正是路径追踪的两种极端应用姿态。离线渲染（电影、建筑动画）没有严格的帧时间限制，可以让每个像素积累数万样本，慢工出细活；实时渲染（游戏、VR）受帧预算约束，只能低采样快速出图，再靠降噪补救。

现代游戏引擎普遍采用混合渲染：光栅化负责主光路，再用光线追迹补上镜面反射、软阴影与环境光遮蔽。帧与帧之间，还用渐进式累积把历史样本不断融合进当前画面，实现“越看越干净”的交互体验。

$$\displaystyle \langle C \rangle_N = \langle C \rangle_{N-1} + \frac{C_N - \langle C \rangle_{N-1}}{N}$$

1. 旧均值：\(\langle C \rangle_{N-1}\) 是前 \(N-1\) 帧样本的累计平均亮度。

$$\langle C \rangle_{N-1}$$

2. 增量修正：把新样本 \(C_N\) 与旧均值之差除以 \(N\)，再叠加到旧均值上。

$$\langle C \rangle_{N-1} + \frac{C_N - \langle C \rangle_{N-1}}{N}$$

3. 等价全量平均：重复应用该式，结果与把所有样本一次性求平均完全一致。

$$\langle C \rangle_N = \frac{1}{N}\sum_{k=1}^{N} C_k$$

应用场景就像邮差的跑法一样有讲究：有人要一幅最完美的全城光影图，有人只要一张够快、够准的路线示意图。路径追踪都给出了各自的答案。

常见问题

再熟练的邮差也会翻车：漏了门牌、撞上玻璃、统计表爆表。路径追踪的经典缺陷，几乎都能在现实邮差身上找到对应。

漏光：场景网格存在缝隙时，光线会从缝隙“漏”过去，造成能量泄漏，对应邮差把信塞进了墙缝。自交：浮点精度让射线起点微微嵌入表面，导致反射光线立刻与自己相交，出现黑色闪烁——就像邮差一出站就撞在同一扇门上。火狐（firefly）：采样到概率极低但亮度极高的路径时，单个像素会炸出刺眼亮点，像统计表上突然着火。色调映射：真实场景的动态范围远超显示器，必须做 HDR 到 LDR 的压缩映射，才能把“刺眼阳光”显示成“柔和照片”。

$$\displaystyle x' = x + \varepsilon\, n$$

1. 交点位置：\(x\) 是光线与表面的理论交点。

$$x$$

2. 法线偏移：沿表面法线 \(n\) 平移一个小量 \(\varepsilon\)，让射线起点离开表面。

$$x' = x + \varepsilon\, n$$

3. 量级选择：\(\varepsilon\) 太小压不住浮点误差，太大又会让阴影“漂移”，通常取 \(10^{-4}\) 量级。

$$\varepsilon \approx 10^{-4}$$

知道邮差的翻车点，才能让整支邮差大军在工作时不搞出集体事故。这些坑，正是每一位渲染工程师的日常修行。

AI 应用场景

Python 演示

import random CAM_X, CAM_Y = 0.0, -10.0   # 相机位置SCREEN_X = 10.0             # 屏幕所在平面WALL_X = 4.0                # 墙的 x 坐标GAP_Y, GAP_R = 0.0, 2.0     # 缺口中心与半宽 def blocked(ty):    """判断从相机到屏幕点 ty 的光线是否被墙挡住。"""    t = WALL_X / (SCREEN_X - CAM_X)    y_at_wall = CAM_Y + (ty - CAM_Y) * t    return abs(y_at_wall - GAP_Y) > GAP_R def estimate(pixel_y, samples=2048):    """对屏幕上的像素 pixel_y 估计亮度。"""    total = 0    for _ in range(samples):        target = pixel_y + random.uniform(-0.8, 0.8)        if not blocked(target):            total += 1    return total / samples def main():    for y in range(-10, 11):        v = estimate(y * 0.4)        bar = '#' * int(v * 60)        print('{:+5.2f} | {:3.0f}% | {}'.format(y * 0.4, v * 100, bar)) if __name__ == '__main__':    main()

1. def blocked(ty):定义“堵路检查”函数：判断从相机到目标点的光线是否被墙拦住，对应光线求交的判定。
2. t = WALL_X / (SCREEN_X - CAM_X)射线参数方程求交点进度，先算光线走到墙时的比例。
3. y_at_wall = CAM_Y + (ty - CAM_Y) * t线性插值得到光线经过墙时的高度，这是“交点计算”的简化版。
4. for _ in range(samples):对每个像素派出一批随机方向的“试验邮差”，体现蒙特卡洛采样。
5. target = pixel_y + random.uniform(-0.8, 0.8)给目标点加随机扰动，模拟随机方向采样。
6. if not blocked(target): total += 1统计能穿过缺口的样本，对应路径“到达光源”的成功判定。
7. return total / samples成功比例就是亮度估计，对应渲染方程中的蒙特卡洛均值。
8. bar = '#' * int(v * 60)用 ASCII 直方图即时可视化亮度剖面，直观看到半影过渡。
9. if __name__ == '__main__':标准程序入口，保证模块可复用、脚本可直接运行。

常见误区

面试题