深夜的城市，霓虹灯在湿漉漉的柏油路上拖出长长的倒影。一个像素在屏幕上“报案”：我看到的这块颜色从哪里来？传统的光栅化渲染就像一位快手画师，不管光的来路，直接按几何位置把颜色涂上画布——画得快，但画不出玻璃幕墙上那抹真实的霓虹倒影。而光线追踪，则像一队纪律严明的光侦探：从你的眼睛（相机）出发，沿着光的来路逐级追查，看这条光线究竟撞上了哪面墙、哪扇窗，最后又来自哪盏灯。听起来很完美，但侦探们很贵：一条光线要和场景里几百万个三角形逐一核对“你有没有挡我的路”，一帧画面要派出上亿条光线，普通 CPU 早就累趴了。于是，聪明的“警局”发明了三大件：加速结构（相当于城市分区地图册，快速锁定嫌疑区域）、专用硬件（相当于警用追踪仪器，把求交计算做成电路）、降噪算法（相当于证词筛选员，把采样不足的颗粒噪点还原成干净画面）。游戏引擎把这三大件组装成一条混合渲染管线：光栅化快反小组画大样，光追精英小组补反射与阴影细节，让《赛博朋克2077》这样的游戏既有物理正确的光影，又能跑满高帧率。本文就用这套“侦探调查”的故事，带你拆解实时渲染中光线追踪的完整工作流。

岗位关联

理解实时光线追踪，等于掌握下一代渲染引擎的“光语言”——无论是做游戏引擎、图形算法还是 AI 重建方向，这都是从“调参师”升级为“渲染架构师”的关键一步。

目录
  1. 可视化演示
  2. 光线追踪原理：侦探逆推光的来路
  3. BVH加速结构：城市分区地图册
  4. RTX硬件加速：警用追踪装备
  5. 混合渲染管线：联合办案模式
  6. 降噪算法：证词筛选与消息还原
  7. 游戏实践应用：赛博朋克2077全城查案
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示光线追踪原理（主光线+阴影光线+反射）、BVH加速结构光线遍历裁剪、混合管线降噪（噪声图像到清晰图像）三大核心技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

光线追踪原理 主光线从相机出发击中物体表面 绿色阴影光线检测遮挡 L=Le+kd*I*max(0,n*l) 反射光线递归追踪实现镜面反射效果

光线追踪原理：侦探逆推光的来路

深夜的警局接到了一个诡异的报案：屏幕上一个像素闪烁着诡异的红光，它想知道“我是从哪里来的”。传统光栅化画师会直接翻看几何台账，按投影位置涂上颜色——快，但根本不在乎光在到达眼睛前经历了什么。而光线追踪的办案思路截然相反：侦探不从光源出发，而是站在你的眼睛（相机）位置，沿着光的来路逆向排查。为什么要倒着走？因为如果顺着光源发射光子，绝大多数光子根本不会射进你的眼睛，等于在浪费警力；反向追踪只派发“有意义的线索”——每个像素发一条光线，只追查对最终画面有贡献的光路。

从数学上看，一条光线由两个要素决定：起点和方向。渲染器为每个像素生成一根“调查线”，与场景中的几何体逐一求交；一旦命中物体表面，就根据材质决定下一步——是反射、折射，还是直接连到光源判定阴影。如果在镜面上命中，就递归地继续追查反射方向，形成一条完整的光路链。路径追踪（Path Tracing）则是这条思路的终极形态：每个像素持续随机弹射光线，像侦探反复向不同方向走访目击者，用大量随机样本逼近真实的颜色。

侦探每走一步都要回答“朝哪走、走多远”——方向和距离定了，调查范围就定了；光线方程正是这个“办案指引”，而解出的 t 就是那条“嫌疑人与侦探之间的距离”。

P(t)=O+t D,t>0\displaystyle \mathbf{P}(t) = \mathbf{O} + t\,\mathbf{D},\quad t > 0
光线方程说明：任意一条光线上的点，都可以用“起点 + 距离 × 方向”表达，t 是唯一的未知量，求交就是解出这个 t。
  1. P(t) 光线上的点表示光线传播到参数 t 处的位置，是这条光线与几何体求交时最核心的输出量。
    P(t)\mathbf{P}(t)
  2. O 起点光线发射的原点，通常取相机位置或上一个命中点，代表侦探当前所在的位置。
    O\mathbf{O}
  3. D 方向单位方向向量，决定光线朝哪个方向追踪，对应侦探下一步前往的方位。
    D\mathbf{D}
  4. t 距离参数等式限定 t 大于 0，只保留起点前方的交点，避免把身后的物体误算成“嫌疑人”。
    t>0t > 0

BVH加速结构：城市分区地图册

如果侦探每次办案都要挨家挨户敲门，把全城几百万户人家全部问一遍，那案子（一帧画面）还没破，天都亮了。聪明的警局准备了一本“城市分区地图册”：先把整座城市按街区划分，每个街区用一个大的包围盒框起来；再细分到小区、单元楼，每一层都用更小的盒子精确定位。办案时，侦探先判断嫌疑人可能在哪个大区，直接跳过不相干的区域，再逐层缩小范围，最终只核对最可疑的几个门牌。

这本“地图册”在图形学里就叫 BVH（Bounding Volume Hierarchy，层次包围盒结构）。它把场景里的三角形用轴对齐包围盒（AABB）逐层包裹，构建成一棵二叉空间树。求交时从根节点自上而下搜索：如果光线连某个节点的包围盒都碰不到，那这个节点下的整棵子树直接“剪枝”跳过，绝不多问一句。构建 BVH 常用的策略是“最宽轴分割 + 中位数分裂”——每次沿空间跨度最大的轴把物体对半分，让树尽量平衡，保证搜索路径最短。

有了地图册的侦探，处理千万人口的大案也游刃有余；没有它，每条光线都得敲遍全城每一扇门，画面早就卡成了幻灯片。

TBVH 遍历=O(log⁡n)≪T暴力求交=O(n)\displaystyle T_{\text{BVH 遍历}} = O(\log n) \ll T_{\text{暴力求交}} = O(n)
复杂度说明：暴力求交要检查 n 个物体，而 BVH 借助树形结构每次裁剪一半空间，把代价压到对数级——这正是“地图册”节省时间的数学本质。
  1. n 场景物体数量指场景中三角形或球体的总数，决定暴力搜索的起步代价。
    nn
  2. O(log n) BVH 遍历代价每层搜索砍掉一半候选区域，树高大约为 log n，所以总代价是对数级。
    O(log⁡n)O(\log n)
  3. O(n) 暴力求交代价逐一遍历全部物体，代价与物体数量成正比，场景越大越不可行。
    O(n)O(n)
  4. ≪ 远小于表示两个量级之间数量级的碾压差距，是 BVH 存在的全部意义。
    ≪\ll

RTX硬件加速：警用追踪装备

地图册再精细，侦探要是靠心算逐户比对，效率还是上不去。于是警局配备了专用追踪仪器——一颗颗小型“定位雷达”，把“光线会不会撞上包围盒/三角形”这种高频机械运算直接做成硬件电路，按下按钮毫秒级出结果。这就是 NVIDIA 从 Turing 架构开始在 GPU 里集成的 RT Core（光线追踪核心）。

RT Core 干的事非常纯粹：硬件加速 BVH 遍历与光线-三角形求交。软件模拟一次求交可能要执行几十条指令，而专用电路在几个时钟周期内就能返回“命中/未命中”以及命中距离。完整的 RTX 工作流分四步：先用加速单元构建 BVH，然后发射光线，RT Core 在硬件层面遍历 BVH 并返回命中信息，最后交给着色器程序处理命中点的材质与颜色。与此同时，GPU 里的 Tensor Core（张量核心）并行负责 DLSS 超分辨率等 AI 重建任务，一个管“光的物理”，一个管“画面的智能修复”，两个团队协同把算力缺口补上。

装备加持后，侦探每帧可以派出数百万条光线而不会超时；这正是光线追踪从“概念演示”变成“游戏默认选项”的历史转折点。

Speedup=T软件求交TRT Core 求交≈10∼30×\displaystyle \text{Speedup} = \frac{T_{\text{软件求交}}}{T_{\text{RT Core 求交}}} \approx 10 \sim 30\times
加速比说明：同一批光线求交运算，RT Core 比纯软件快约 10 到 30 倍，这个量级把“离线渲染”变成了“实时渲染”。
  1. Speedup 加速比衡量硬件替代软件后性能提升的倍数，是评估 RT Core 价值的核心指标。
    Speedup\text{Speedup}
  2. T\_软件求交光线与场景求交全部由 GPU 通用计算单元执行所消耗的时间，通常是几十条指令的累积。
    T软件求交T_{\text{软件求交}}
  3. T\_RT Core 求交同一任务交给专用电路完成的时间，一个周期内即可判断包围盒是否被穿过。
    TRT Core 求交T_{\text{RT Core 求交}}
  4. 10~30 倍实测经验量级，说明专用硬件把最贵的机械运算变成了“按一下按钮”的成本。
    10∼30×10 \sim 30\times

混合渲染管线：联合办案模式

让全城侦探都去逐帧重查所有案件，经费肯定爆炸。警局最终决定“联合办案”：光栅化快反小组动作快、覆盖面广，负责整体轮廓和直接光照；光追精英小队只在关键环节出手，专攻反射、阴影、全局光照这些“疑难杂症”。两边各取所长，最后把两份报告合并成一张定案照——这就是混合渲染管线（Hybrid Rendering）。

具体到一帧画面，光栅化首先渲染出 G-buffer（几何、法线、深度、材质等“现场基础信息”），这一通道极其廉价。然后光追只对屏幕空间处理不了的效果做定点追踪：例如玻璃幕墙的镜面反射、面积光源的软阴影。为了控制成本，光追特效还会做分辨率分级——先用半分辨率计算，再通过上采样补齐细节。反射率低的粗糙表面直接复用便宜的屏幕空间反射，反射率高的镜面区域才走全分辨率光追。这种“按需分配”让 RTX 的开销被压缩到总帧时间的 20%~30%。

快反小组出大样、精英小队补细节，两路人马在同一帧内合并成一张可信的“现场照片”——这是工程上的绝妙折中，也是玩家流畅体验的保证。

T帧=T光栅化+T光追特效+T降噪后处理\displaystyle T_{\text{帧}} = T_{\text{光栅化}} + T_{\text{光追特效}} + T_{\text{降噪后处理}}
帧时间公式说明：一帧的总预算被拆成三路开销，引擎优化就是让这三路的总和跑进 16.6 毫秒（60 FPS 的帧预算）。
  1. T\_帧 总帧时间渲染一帧画面允许消耗的全部时间，60 FPS 下预算为 16.6 毫秒。
    T帧T_{\text{帧}}
  2. T\_光栅化 基础通道时间光栅化输出 G-buffer 与直接光照的时间，通常是三路里最便宜的一路。
    T光栅化T_{\text{光栅化}}
  3. T\_光追特效 精英小队时间只计算反射、阴影、全局光照等关键特效，时间占比受分辨率分级策略控制。
    T光追特效T_{\text{光追特效}}
  4. T\_降噪后处理 收尾时间把带噪点的光追结果清洗干净的时间，优先级高但成本必须压得很低。
    T降噪后处理T_{\text{降噪后处理}}

降噪算法：证词筛选与消息还原

侦探人手有限，每条光线只能采集一个颜色样本，就像几十个目击者各说各话：这个人说“灯是红的”，那个人说“灯是蓝的”，画面因此布满颗粒噪点。降噪专员的工作，就是把不同时间、不同邻域的证词汇聚起来对比，剔除明显不可靠的谎话，最终还原出一张干净的“事件全貌”。没有这位专员，光追画面就像全城目击者一起抢话，谁也听不清。

降噪（Denoising）是实时光追的必备搭档。因为实时渲染中每像素通常只发射 1 条光线，蒙特卡洛估计的方差极大，必须靠算法补救。降噪分成两个维度：时域上，用时间抗锯齿的思想把历史帧结果与当前帧按指数加权混合——画面静止时噪点指数级收敛，运动时借助运动向量做重投影，防止残影；空域上，对相邻像素做边缘感知的滤波，利用 G-buffer 提供的法线、深度信息约束，避免把不同物体的颜色糊成一团。

一帧一帧地“综合证词”，警局最终交出的报告既清晰又真实；降噪让少采样也能出高质量画面，是实时光追性价比最高的武器。

It=α St+(1−α) It−1\displaystyle I_{t} = \alpha\,S_{t} + (1-\alpha)\,I_{t-1}
时域累积公式说明：当前帧的采样结果 S_t 与历史累积结果 I_{t-1} 按系数 α 混合，α 越小，历史占比越高，去噪越强，但运动时越容易出现拖影。
  1. I\_t 当前帧累积结果经过降噪后输出的干净像素值，是“综合证词”后的最终报告。
    ItI_{t}
  2. S\_t 当前帧原始采样这一帧光线追查到的原始颜色，通常带有大量噪声，是“新到的目击证词”。
    StS_{t}
  3. α 混合系数控制新旧证词的信任比例，静止场景调小，运动场景动态调大，以平衡噪点与拖影。
    α\alpha
  4. (1-α)I\_t-1 历史衰减项上一帧累积结果按比例衰减后继续参与混合，让信息在帧间滚动累积，方差逐步收敛。
    (1−α) It−1(1-\alpha)\,I_{t-1}

游戏实践应用：赛博朋克2077全城查案

把整套侦探体系搬进夜之城（Night City）：霓虹闪烁的街道上，玻璃幕墙倒映着广告牌，雨水浸湿的地面拖出红蓝光影——这是《赛博朋克2077》为玩家呈现的实时光追盛景。2022 年起，CD Projekt RED 为游戏加入了“光线追踪：超速模式”（路径追踪），把过去只存在于离线渲染的渲染方程实时地搬进游戏。它不是单点突破，而是整套体系的全城总动员：BVH 负责快速定位，RT Core 负责海量求交，降噪管线负责清洗画面。

路径追踪是光线追踪的终极形态：对每个像素持续随机弹射光线，用蒙特卡洛方法近似求解渲染方程，每次弹射都累积一份辐射度贡献。这一模式对硬件极其贪婪——4K 分辨率下一帧需要数亿条光线，原生渲染只有个位数帧率。此时 AI 登场：DLSS 3 帧生成技术利用光流与张量核心，在渲染帧之间智能插值出额外帧，硬生生把帧率拉升到 60 FPS 以上。游戏还提供“光追反射 / 光追阴影 / 光追全局光照”分档开关，正是前文混合渲染管线的工程落地：玩家可以根据显卡能力，只让精英小队处理最关键的特效。

从侦探单人追凶到全城联合查案，光线追踪用数学、硬件与工程三件套，把光的真相实时呈现在玩家眼前——这就是实时渲染技术的魅力所在。

Lo(x,ωo)=Le(x,ωo)+∫Ωfr(x,ωi,ωo) Li(x,ωi) (ωi⋅n) dωi\displaystyle L_o(\mathbf{x},\omega_o) = L_e(\mathbf{x},\omega_o) + \int_{\Omega} f_r(\mathbf{x},\omega_i,\omega_o)\,L_i(\mathbf{x},\omega_i)\,(\omega_i\cdot \mathbf{n})\,d\omega_i
渲染方程说明：某个表面点朝某个方向发出的光 = 它自己发出的光 + 它反射的所有入射光之和；路径追踪就是用随机采样来估计这个积分。
  1. L\_o 出射辐射度表面点 x 朝观察方向 ω_o 射出多少光，也就是我们看到这个像素的最终颜色。
    Lo(x,ωo)L_o(\mathbf{x},\omega_o)
  2. L\_e 自发光项物体自身发射的光，例如霓虹灯管、屏幕、车灯，是光路链条的源头。
    Le(x,ωo)L_e(\mathbf{x},\omega_o)
  3. 半球积分把整个上半球 Ω 所有方向的入射光累加起来，代表“四面八方进来的光都要算进去”。
    ∫Ω⋯ dωi\int_{\Omega} \cdots \,d\omega_i
  4. f\_r 双向反射分布函数描述表面材质如何反射光线——磨砂、金属、玻璃各有各的反射“脾气”。
    fr(x,ωi,ωo)f_r(\mathbf{x},\omega_i,\omega_o)
  5. L\_i(ω\_i·n) 入射光与余弦项入射光强度乘以入射角余弦，斜着照进来的光贡献更小，符合生活常识。
    Li(x,ωi) (ωi⋅n)L_i(\mathbf{x},\omega_i)\,(\omega_i\cdot \mathbf{n})

AI 应用场景

游戏引擎渲染工程师：混合管线调优

阶段：实时渲染管线优化与迭代

解决的问题：传统光栅化画不出物理正确的反射与阴影，而全分辨率光追又扛不住帧率预算。工程师需要在两者之间设计混合管线，把算力用在刀刃上。

具体案例：在 UE5 项目中开启硬件光追，为镜面反射分配半分辨率光追 + TAAU 上采样，为粗糙表面复用屏幕空间反射；同时根据物体运动程度动态调节降噪混合系数 α，避免雨天场景出现拖影。最终反射质量接近离线渲染，帧时间增量控制在 4 毫秒以内。

AI 图像算法工程师：DLSS 与降噪网络

阶段：AI 重建与画质增强

解决的问题：路径追踪模式下每像素光线数太少导致噪点爆炸，单纯堆光线数会让 RTX 硬件不堪重负。AI 算法负责用超分与帧生成技术，从低分辨率、带噪的输入中重建出高清干净画面。

具体案例：训练超分辨率网络，输入半分辨率的光追降噪图，输出 4K 高细节画面；再用光流网络预测运动，在真实渲染帧之间智能生成中间帧，把《赛博朋克2077》路径追踪模式的帧率从 20 FPS 拉到 60 FPS。降噪网络则结合 G-buffer 做边缘感知重建，让湿地面倒影既锐利又不闪烁。

自动驾驶仿真渲染：传感器级物理光路

阶段：合成数据生成与传感器仿真

解决的问题：自动驾驶训练需要海量带标注的“行车影像”，但真实路采成本极高且场景不可控。光线追踪能生成物理正确的光照、反射与阴影，让合成图像更接近真实传感器输出。

具体案例：在 NVIDIA DRIVE Sim 中，用 RTX 硬件光追为虚拟城市生成模拟车灯、路灯与雨天反光路面的相机图像；BVH 加速保证多传感器视角并行渲染的实时性，合成数据直接用于训练感知模型，显著提升夜间与逆光场景的识别准确率。

Python 演示

python104 行
# -*- coding: utf-8 -*-# 简易实时光追演示: BVH 加速 + 多采样降噪import math, random class Vec3:    def __init__(self, x=0, y=0, z=0): self.x, self.y, self.z = x, y, z    def __add__(self, o): return Vec3(self.x+o.x, self.y+o.y, self.z+o.z)    def __sub__(self, o): return Vec3(self.x-o.x, self.y-o.y, self.z-o.z)    def __mul__(self, s): return Vec3(self.x*s, self.y*s, self.z*s)    def dot(self, o): return self.x*o.x + self.y*o.y + self.z*o.z    def unit(self):        n = math.sqrt(self.dot(self))        return self * (1.0/n) if n > 0 else Vec3() class Sphere:    def __init__(self, cx, cy, cz, r, cr, cg, cb):        self.c = Vec3(cx, cy, cz); self.r = r; self.color = Vec3(cr, cg, cb)    def hit(self, o, d):        oc = o - self.c; b = oc.dot(d); c = oc.dot(oc) - self.r*self.r        disc = b*b - c        if disc < 0: return -1        t = -b - math.sqrt(disc)        return t if t > 0 else -1 class BVHNode:    def __init__(self, items):        self.minb = Vec3(1e9, 1e9, 1e9); self.maxb = Vec3(-1e9, -1e9, -1e9)        for s in items:            self.minb = Vec3(min(self.minb.x, s.c.x-s.r), min(self.minb.y, s.c.y-s.r), min(self.minb.z, s.c.z-s.r))            self.maxb = Vec3(max(self.maxb.x, s.c.x+s.r), max(self.maxb.y, s.c.y+s.r), max(self.maxb.z, s.c.z+s.r))        if len(items) == 1:            self.left = self.right = None; self.spheres = items; return        self.spheres = []        axis, span = 0, self.maxb.x-self.minb.x        if self.maxb.y-self.minb.y > span: axis, span = 1, self.maxb.y-self.minb.y        if self.maxb.z-self.minb.z > span: axis = 2        items.sort(key=lambda s: s.c.x if axis == 0 else (s.c.y if axis == 1 else s.c.z))        mid = len(items)//2        self.left = BVHNode(items[:mid]); self.right = BVHNode(items[mid:])    def hit(self, o, d, inv, skip=None):        tmin, tmax = -1e9, 1e9        for a in range(3):            oa = o.x if a == 0 else (o.y if a == 1 else o.z)            ia = inv.x if a == 0 else (inv.y if a == 1 else inv.z)            mn = self.minb.x if a == 0 else (self.minb.y if a == 1 else self.minb.z)            mx = self.maxb.x if a == 0 else (self.maxb.y if a == 1 else self.maxb.z)            t1, t2 = (mn-oa)*ia, (mx-oa)*ia            if t1 > t2: t1, t2 = t2, t1            if t1 > tmin: tmin = t1            if t2 < tmax: tmax = t2        if tmin > tmax or tmax < 0: return -1, None        if self.spheres:            for s in self.spheres:                if s is skip: continue                t = s.hit(o, d)                if t > 0: return t, s            return -1, None        t1, s1 = self.left.hit(o, d, inv, skip)        t2, s2 = self.right.hit(o, d, inv, skip)        if t1 > 0 and (t2 < 0 or t1 < t2): return t1, s1        if t2 > 0: return t2, s2        return -1, None W, H, SAMPLES = 100, 75, 6SCENE = [Sphere(-0.9, 0, -2.5, 0.7, 1.0, 0.4, 0.3),         Sphere(0.9, -0.2, -2.2, 0.6, 0.3, 0.6, 1.0),         Sphere(0, -30, 0, 30, 0.4, 0.4, 0.45)] def shade(o, d, root, light):    inv = Vec3(1.0/d.x, 1.0/d.y, 1.0/d.z)    t, s = root.hit(o, d, inv)    if t < 0: return Vec3(0.2, 0.3, 0.4)    p = o + d*t    n = (p - s.c).unit()    ld = (light - p).unit()    inv_ld = Vec3(1.0/ld.x, 1.0/ld.y, 1.0/ld.z)    st, _ = root.hit(p + ld*0.01, ld, inv_ld, s)    shadow = 0.15 if st > 0 else 1.0    return s.color * (0.2 + 0.8*max(0.0, n.dot(ld))*shadow) def render():    root = BVHNode(SCENE)    img = [Vec3() for _ in range(W*H)]    for s in range(SAMPLES):        for y in range(H):            for x in range(W):                u = (x + random.random())/W                v = 1.0 - (y + random.random())/H                d = Vec3(u*2-1, v*2-1, -1).unit()                img[y*W+x] = img[y*W+x] + shade(Vec3(0, 0, 2), d, root, Vec3(1, 3, 1))    return root, img def save_ppm(img, fname):    with open(fname, 'w') as f:        f.write('P3\n%d %d\n255\n' % (W, H))        for p in img:            q = p * (1.0/SAMPLES)            f.write('%d %d %d\n' % (min(255, int(q.x*255)), min(255, int(q.y*255)), min(255, int(q.z*255)))) if __name__ == '__main__':    random.seed(42)    root, img = render()    save_ppm(img, 'rt_shadow.ppm')    print('渲染完成: %dx%d, 每像素 %d 次采样(BVH 加速+降噪)' % (W, H, SAMPLES))
目的：用不到一百行实现一个微型光追渲染器，演示 BVH 加速求交、阴影光线判定与多采样降噪（时域累积的近似），最终输出 PPM 格式图片。
  1. disc = b*b - c求解光线与球体交点的一元二次方程判别式，判别式小于零说明光线没撞上球。
  2. items.sort(key=lambda s: s.c.x if axis == 0 else (s.c.y if axis == 1 else s.c.z))按最宽轴中心坐标排序并二分，构建平衡的 BVH 树。
  3. if tmin > tmax or tmax < 0: return -1, None三个轴向上的区间都成立才说明光线穿过包围盒，否则整棵子树被剪枝。
  4. if s is skip: continue阴影光线检测时跳过命中点自身，避免“自己挡自己的光”产生伪阴影。
  5. img[y*W+x] = img[y*W+x] + shade(Vec3(0, 0, 2), d, root, Vec3(1, 3, 1))每个像素多次采样并累加，相当于时域累积的离线版，最终平均得到降噪后的干净颜色。

常见误区

误区我以为开启了光线追踪，游戏就所有画面都靠光线计算，光栅化彻底退休了。毕竟“追光”听起来比“涂颜色”高级得多。

正解实际游戏中几乎没有纯光追的实时渲染。主流方案是混合渲染管线：光栅化负责 G-buffer 和直接光照，光追只补充反射、阴影等关键特效。即使《赛博朋克2077》的路径追踪模式，底层也要靠降噪、超分和帧生成来兜底。就像警局办案，快反小组和精英小队缺一不可。

为何常见：厂商宣传时总强调“光线追踪”四个字，很少解释内部混合分工，容易让人以为光追是全能的替代者。

误区我觉得 BVH 加速结构在加载场景时构建一次，之后就能一直用，场景里物体随便动都不用管。

正解动态物体会让包围盒失效。角色跑动、车门打开时，对应节点的包围盒必须更新——小规模用 refit（快速重算包围盒），大规模用 rebuild（局部重建子树）。BVH 更新是实时光追的经典性能热点，引擎往往把动态物体单独建树，与静态场景树分离管理，就像地图册要随时修订“临时路况”。

为何常见：初学图形学时 BVH 常被当作静态离线结构讲解，忽略了实时渲染中“场景会动”这个前提。

误区我觉得降噪算法只是补救手段，想画质好就得多发射光线，毕竟样本越多蒙特卡洛估计越准，硬件不够就买更贵的显卡。

正解实时渲染的帧预算决定了光线数不可能堆太高。工程实践中“1 条光线 + 强力降噪 + 时域累积”的画面质量，往往优于“16 条光线但不降噪”。因为降噪利用帧间与空间相关性，用极低成本换取了大量有效样本，性价比远超堆光线数。这就像综合多位证人证词，远比让一个侦探反复跑现场更高效。

为何常见：离线渲染里采样数几乎免费，直接迁移到实时场景就容易产生“采样越多越好”的思维惯性。

误区我认为既然花了光追的算力，就应该在原生 4K 全分辨率下计算反射和阴影，半分辨率是偷工减料。

正解人眼对高频细节（纹理）与低频信息（反射、阴影）的敏感度不同。引擎通常用半分辨率甚至四分之一分辨率计算光追特效，再通过时域上采样补齐，视觉差异极小但性能节省巨大。这正是混合渲染管线“分辨率分级策略”的核心思想：把算力花在刀刃上。

为何常见：玩家习惯用“分辨率越高越好”衡量画质，忽略了感知质量与算力效率的工程平衡。

面试题

Q1. 光线追踪中“反向追踪”指的是沿什么方向发射光线？

单选题 · easy

  • A.从光源射向眼睛的方向
  • B.从眼睛射向场景的方向← 正确答案
  • C.从屏幕中心向四周扩散
  • D.从场景物体射向光源的方向

答案：B。反向追踪从相机（眼睛）位置出发，向场景发射光线并逆推光的来路。若从光源出发，绝大多数光子不会进入眼睛，造成巨大浪费，这就像侦探逆着人流找目击者，而不是顺流盲目搜索。

Q2. 光线方程 P(t) = O + t·D 中，参数 t 表示什么？

单选题 · mid

  • A.光线的颜色值
  • B.光线的发射时间
  • C.沿方向 D 的传播距离← 正确答案
  • D.光线的强度数值

答案：C。t 是沿方向 D 走过的距离参数，决定光线上的采样点位置。求交就是解出使 P(t) 落在物体表面的 t 值，相当于追问侦探“走了多远才撞上嫌疑人”。

Q3. BVH 加速结构把场景求交复杂度从 O(n) 降到了多少？

单选题 · easy

  • A.常数级复杂度 O(1)
  • B.对数级复杂度 O(log n)← 正确答案
  • C.线性对数级 O(n log n)
  • D.平方级复杂度 O(n²)

答案：B。BVH 每次遍历都把候选区域砍掉一半，搜索路径长度等于树高，约 log n。这就像用分区地图册逐层锁定街区，而不是挨家挨户敲门，效率天差地别。

Q4. 关于混合渲染管线的说法，正确的有哪些？

多选题 · hard

  • A.光栅化负责基础 G-buffer 与直接光照← 正确答案
  • B.光追负责所有像素的全局照明
  • C.光追特效可按分辨率分级计算← 正确答案
  • D.光栅化输出最终全分辨率高光反射

答案：AC。混合管线中光栅化输出 G-buffer 和底图，光追只补反射、阴影等特效，且常做半分辨率分级计算。B 错在全场景全像素光追太贵，D 错在高光反射恰恰是光追的活，光栅化算不准。

Q5. RT Core 硬件加速的核心运算是哪一类？

单选题 · mid

  • A.纹理采样与材质过滤
  • B.BVH 遍历与光线求交← 正确答案
  • C.神经网络矩阵推理
  • D.顶点坐标变换与光栅化

答案：B。RT Core 专门把 BVH 遍历和光线-三角形求交做成电路，几周期内返回命中结果。神经网络推理归 Tensor Core，纹理与顶点变换归传统渲染管线，各有分工。

Q6. 时域降噪的指数移动平均公式 I_t = α·S_t + (1-α)·I_{t-1} 中，影响最终结果的因素包括哪些？

多选题 · hard

  • A.当前帧的光线采样数
  • B.混合系数 α 的取值← 正确答案
  • C.历史帧累积结果 I_{t-1}← 正确答案
  • D.摄像机的曝光补偿参数

答案：BC。公式直接由 S_t、α、I_{t-1} 三个量决定。采样数只间接影响 S_t 的质量，曝光补偿属于后处理参数，不进入该公式。α 越小历史占比越高，去噪越强但运动拖影越明显。

Q7. 路径追踪与普通光线追踪的核心区别是什么？

单选题 · easy

  • A.路径追踪不使用递归调用
  • B.路径追踪随机弹射累积近似求解← 正确答案
  • C.路径追踪只处理镜面反射
  • D.路径追踪完全不需要光源

答案：B。路径追踪对每个像素持续随机采样出射方向，用蒙特卡洛方法逼近渲染方程积分。它不是单次追踪，而是反复弹射累积辐射度，像侦探不断变换线索方向走访目击者。

Q8. 《赛博朋克2077》光追超速模式下，把路径追踪帧率拉回可玩水平的关键技术是？

单选题 · mid

  • A.使用 MSAA 多重采样抗锯齿
  • B.使用 DLSS 3 帧生成技术← 正确答案
  • C.降低渲染分辨率到 720p
  • D.关闭所有动态光影特效

答案：B。DLSS 3 利用光流与张量核心在真实渲染帧之间生成中间帧，配合超分辨率重建，把 4K 路径追踪从个位帧率拉到 60 FPS 以上。MSAA 是几何抗锯齿，与帧率恢复无关。

Q9. 从命中点向光源发射阴影光线后，可能出现的情况有哪些？

多选题 · hard

  • A.未命中任何物体则该点被照亮← 正确答案
  • B.命中物体且距离小于光源距离则产生阴影← 正确答案
  • C.命中物体但法线背离光源仍是阴影
  • D.命中自身表面必然产生阴影

答案：AB。阴影光线只看几何遮挡，未命中则亮，命中且中间隔着物体则暗。法线朝向不影响遮挡判定；自相交已通过起点偏移跳过，不会必然产生阴影。这就像问“光线到光源的路上有没有人挡路”，与挡路者面朝哪无关。

Q10. 降噪做空域滤波时，为什么必须结合 G-buffer 的几何信息？

单选题 · mid

  • A.加快 BVH 加速结构的构建速度
  • B.避免混合不同物体与深度的像素← 正确答案
  • C.减少每条光线追查的次数
  • D.提升贴图分辨率与画面细节

答案：B。空域滤波若只看颜色，会把前景与背景、不同法向的表面混在一起，产生“糊边”。G-buffer 提供深度、法线、材质 ID，让滤波器只在几何连续的区域取平均，像警察只相信同一条街的目击者证词。