老张是“星夜舞厅”的灯光师。舞厅开幕当晚他傻了眼：头顶的射灯把光圈打在舞池中央，但舞池边缘、卡座背后、过道尽头全是黑洞洞的，把射灯调到最亮也没用，客人投诉“气氛阴森”。物理同事告诉他：真实世界的光不会只走直线。太阳光打在红墙上，墙吃掉一部分光线变成红色，剩下的光被“弹”回来，再去照亮旁边的沙发；沙发又把光弹到茶几底下……正是这种“光蹦蹦跳跳”的反弹，让房间里没有绝对的黑角。这种模拟光在场景中反复反弹、最终照亮整个空间的技术，就叫全局光照（Global Illumination，GI）。 难点只有一个字：快。现实里一束光可以反弹成百上千次，如果让电脑把每一条光线逐条追一遍，等算完舞厅早打烊了。老张的破解思路是“聪明的偷懒”：在地板和墙壁里埋“光线温度计”（Light Probe），把房间切成一块块“冰块盒”（体素 Voxel），再让温度计自己会移动、按帧更新（DDGI）。这套组合拳让光“弹”得又快又像，舞厅终于亮堂又流畅。这就是实时全局光照的核心秘密。

岗位关联

理解实时 GI 三大方案（Light Probe / Voxel GI / DDGI）的原理与性能取舍，是游戏引擎与实时渲染工程师的核心竞争力，直接决定落地项目的画质上限和帧率下限。

目录
  1. 可视化演示
  2. 一、光照反弹原理：光是舞厅里停不下来的客人
  3. 二、采样方式权衡：全算会死，抽样才能活
  4. 三、Light Probe 技术：埋设“光线温度计”
  5. 四、Voxel GI 方案：把舞厅切成冰块盒
  6. 五、DDGI 技术：会跑的探针加上时光滤波
  7. 六、GI 性能优化：给光的反弹定预算
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示实时全局光照怎么实现才快的核心机制，通过总览/传输/转换/输出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）。

实时全局光照怎么实现才快：实时全局 实时全局光照问题与技术谱系 Light Probe光照探针 核心机制可视化 实时全局光照怎么实现才快整体架构与关键组件

一、光照反弹原理：光是舞厅里停不下来的客人

舞厅里最让老张头疼的不是射灯不够亮，而是“背光侧”。他做过试验：把一盏 2000 瓦的追光灯正对粉色沙发，沙发背后依然黑得能藏一只猫。物理同事一句话点醒了他——你看到的沙发是粉色的，说明沙发把白光里“非粉色的部分”吃掉了，可剩下的粉色光并没有消失，而是被弹到沙发背后去了。光在房间里就像停不下来的舞客，撞到墙就换方向接着走，这种反弹出来的光就是间接光。

图形学把“一个点最终看到多亮”这件事写成一条公式，叫渲染方程。翻译成大白话：某个点的出射光，等于自己发的光（只有灯丝、霓虹灯管这类光源才有），加上从四面八方射过来、又被材质反射出去的光。麻烦就出在“四面八方”四个字上——严格来说要考虑半球面上每一个方向，这是一个无穷维的积分，电脑算到死也算不完。

渲染方程就是舞厅的“光线账本”：任何一点最后的亮度，都等于自己发光加上所有方向反弹过来的光。账本本身很简单，可怕的是“所有方向”这四个字。老张由此悟出一个原则：想快，就不能对“所有方向”认死理，得聪明地偷懒——不全算，挑着算。

Lo(x,ωo)=Le(x,ωo)+∫Ωfr(x,ωi,ωo) Li(x,ωi) cos⁡θ dωi\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)\, \cos\theta\, d\omega_i
一句话解释：一个点看到的光 = 自己发的光 + 所有方向弹过来的光的总和。
  1. 出射辐射 $L_o$点 $x$ 朝观察方向 $\omega_o$ 发出去的总光量，画面最终的颜色就来自这一项。
    Lo(x,ωo)L_o(x,\omega_o)
  2. 自发光项 $L_e$只有点 $x$ 自身是光源时才有值，普通墙面、地板这一项都是零。
    Le(x,ωo)L_e(x,\omega_o)
  3. 双向反射分布函数 $f_r$描述材质怎么反光——磨砂墙把光向各个方向糊开，镜面把光原路弹回。
    fr(x,ωi,ωo)f_r(x,\omega_i,\omega_o)
  4. 入射半球积分把点 $x$ 上半球所有方向 $\Omega$ 射来的光 $L_i$，乘以反射率 $f_r$ 和角度衰减 $\cos\theta$，全部加起来。
    ∫Ωfr(x,ωi,ωo) Li(x,ωi) cos⁡θ dωi\int_{\Omega} f_r(x,\omega_i,\omega_o)\, L_i(x,\omega_i)\, \cos\theta\, d\omega_i

二、采样方式权衡：全算会死，抽样才能活

老张想统计舞客们最喜欢的歌，他不可能问遍全场几千人，那会问到天亮。他只随机拉住 32 个客人问一问，结果也八九不离十。光线追踪也一样——把“所有方向”的积分换成“随机抽几个方向估算”，这就是蒙特卡洛思想，也是几乎所有实时 GI 方案的数学地基。

具体做法是：每个像素每帧只发射 N 条光线（实时里通常 N 只有 1 到 4 条），每条光线随机选方向射出去。代价是样本太少会产生噪点，就像抽样人数太少、统计结果会抖来抖去。画质与速度的矛盾，本质上是 N 这个数字的矛盾：N 大则准但慢，N 小则快但花。

抽样把“问遍全场”变成了“问 32 个人”，蒙特卡洛让实时 GI 在数学上成为可能。可老张很快发现新问题：抽样再快，每帧每像素都重新问一遍，累积起来还是贵。更聪明的做法是——别问个体，直接在场地里固定埋一批“光线温度计”，舞客走到哪，读附近温度计就行。

L^o≈1N∑j=1Nfr(x,ωj,ωo) Li(x,ωj) cos⁡θjp(ωj)\displaystyle \hat{L}_o \approx \frac{1}{N} \sum_{j=1}^{N} \frac{f_r(x,\omega_j,\omega_o)\, L_i(x,\omega_j)\, \cos\theta_j}{p(\omega_j)}
一句话解释：随机抽 N 个方向分别算贡献，再按“被抽中的概率”校正后取平均，就是积分的近似值。
  1. 采样总数 $N$每个像素打出的光线条数。N 越大结果越接近真值，但计算量线性上涨。
    NN
  2. 概率密度 $p(\omega_j)$表示方向 $\omega_j$ 被抽中的可能性有多大，抽到“稀有”方向时必须给大权重补偿。
    p(ωj)p(\omega_j)
  3. 除以概率校正每一项都除以 $p$，消除抽样不均匀带来的系统偏差，这是无偏估计的关键一步——否则结果会整体偏亮或偏暗。
    1p(ωj)\frac{1}{p(\omega_j)}
  4. 取平均把 N 个样本的结果累加求平均，作为无穷积分的近似值。
    1N∑j=1N(⋅)\frac{1}{N}\sum_{j=1}^{N}\left(\cdot\right)

三、Light Probe 技术：埋设“光线温度计”

老张在舞厅的地板、墙壁、卡座之间埋了一排排温度计。温度计自己不发光，只负责感知附近的光线环境，记录“这个位置大概能接收到多少来自哪个方向的光”。跳舞的人走到任意位置，系统读取附近几支温度计取一个加权平均，就能估计出那里的亮暗和颜色。这套东西在引擎里叫 Light Probe（光照探针）。

探针里存的不是照片，而是一组球谐函数（Spherical Harmonics，SH）系数。球谐函数可以理解为“标准方向波形”，用一小组数字就能近似描述“来自各个方向的光强分布”。查询时对周围探针的系数做权重插值，成本极低，非常适合静态场景的烘焙（离线预计算）后用。

温度计方案把“逐像素追光线”升级成了“读表加插值”，速度快得飞起。但它的软肋是温度计钉死在原地：如果舞厅把一个大沙发推到墙边，固定探针来不及反映变化，沙发附近就会出现一圈“测不准”的假光晕。老张挠头：又要快又要能变，怎么办？答案是——把房间切成格子。

I(ω)≈∑l=0n∑m=−llclm Ylm(ω)\displaystyle I(\omega) \approx \sum_{l=0}^{n} \sum_{m=-l}^{l} c_{lm}\, Y_{lm}(\omega)
一句话解释：把任意方向的光照分布，拆成若干块“标准积木”（球谐基函数）的加权组合，系数就是每块积木的用量。
  1. 球谐基函数 $Y_{lm}$一组预先定义好的“方向波形”，下标 $l$ 和 $m$ 决定波形的形状。
    Ylm(ω)Y_{lm}(\omega)
  2. 阶数 $l$精度档位。$l=0$ 只有一块“平均亮度”积木，$l=2$ 有 9 块，能描述柔和的方向差异；阶数越高越精细但存储越多。
    l=0,1,2,…l = 0,1,2,\dots
  3. 系数 $c_{lm}$每块积木的用量，探针实际保存的就是这些数字，通常只要 9 到 27 个浮点数，非常省内存。
    clmc_{lm}
  4. 求和重建把积木按用量拼起来，任意方向 $\omega$ 的入射光就近似复原了。
    ∑l=0n∑m=−llclm Ylm(ω)\sum_{l=0}^{n}\sum_{m=-l}^{l} c_{lm}\, Y_{lm}(\omega)

四、Voxel GI 方案：把舞厅切成冰块盒

老张弄来一块看不见的“大冰块”，把舞厅空间数学地切成了指甲盖大的小方块（体素），每个方块里记录“这个区域大概存了多少光”。光线穿过舞厅时，不需要真的去追每一束光的完整路径，只需要沿途查查方块里的数值，就像光线在一块半透明的冰里穿行，被内部的小气泡逐层照亮。这就是 Voxel GI（体素全局光照）。

具体做法是：先把场景实时或离线地体素化，生成一张 3D 纹理（可以想象成一个由小立方体组成的大数组），每个格子存该区域的辐照度近似值。渲染时从物体表面出发，沿一束“光锥”向前推进，每走一步查询沿途体素、加权累加，估算打进这个点的间接光。

冰块盒方案的精妙在于：查询体素是查表操作，不关心光线是从哪条路径来的，快得惊人。代价是分辨率有限——格子太大会让墙角的光晕发糊，格子太小内存会爆炸。老张盯着这些冰块盒想：既然体素费内存、探针又不够动态，能不能让温度计自己跑起来，再用上一帧的结果帮这一帧“去噪”？

A(r)=∑k=1Mwk Vτk ⁣(x+k Δr)\displaystyle A(r) = \sum_{k=1}^{M} w_k\, V_{\tau_k}\!\left(x + k\,\Delta r\right)
一句话解释：从表面点出发，沿锥体方向一步步前进，把沿途查到的体素光照值加权求和，就是该方向的间接光。
  1. 步长 $\Delta r$每一步前进的距离，通常取当前精度等级下一个体素的尺寸。
    Δr\Delta r
  2. 体素查询 $V$在体素网格中查找位置 $x + k\Delta r$ 存储的光照值，下标 $\tau_k$ 表示精度等级——远处用粗格子，近处用细格子。
    Vτk(x+k Δr)V_{\tau_k}(x + k\,\Delta r)
  3. 权重 $w_k$越靠前的体素离表面越近、遮挡越强，贡献越大；权重分布模仿真实光的距离衰减。
    wkw_k
  4. 累加 $M$ 步把沿途 $M$ 个体素的加权采样结果累加，得到该方向进入表面的间接光量。
    ∑k=1Mwk Vτk ⁣(x+k Δr)\sum_{k=1}^{M} w_k\, V_{\tau_k}\!\left(x + k\,\Delta r\right)

五、DDGI 技术：会跑的探针加上时光滤波

老张给温度计装上了滑轮和遥控器。探针不再钉死在地板上，而是悬在舞厅空中的关键位置——沙发挪了位置，探针也会跟着滑动补位。更妙的是，老张不让探针每次全都重新测量：过去一秒钟刚测过的数据，稍微旧一点也没关系，和新鲜数据一混合，既稳又新，画面不再闪烁。这套思路就是 DDGI（Dynamic Diffuse Global Illumination，动态漫反射全局光照）。

DDGI 在场景中维护一层稀疏的探针网格，每帧用极少量光线追踪更新每个探针的辐射度，然后靠时域滤波把这少量的采样结果“炖”成平滑画面。所谓时域滤波，就是让当前帧的结果和上一帧的历史结果做一个加权混合——历史数据负责压噪，新数据负责跟随场景变化。

移动探针加上时域滤波，老张终于同时拿到了快和准。他手里现在有三套工具：固定温度计（Light Probe）适合静态烘焙场景，冰块盒（Voxel）适合中等动态场景，会跑的探针（DDGI）专治大型开放世界。但工具再好也得算账——最后一节，老张开始精打细算每一毫秒的花销。

It=α I^t−1+(1−α) Iray\displaystyle I_t = \alpha\, \hat{I}_{t-1} + (1-\alpha)\, I_{\text{ray}}
一句话解释：本帧最终亮度 = 上一帧压过噪的历史值 × 权重 α + 本帧新采样的光线结果 × 权重 (1−α)。
  1. 当前帧结果 $I_t$探针这一帧要写回网格的最终亮度值。
    ItI_t
  2. 历史平滑值 $\hat{I}_{t-1}$上一帧产出并存储的结果。因为场景变化不会瞬间翻脸，它可作为“旧温度”压住噪点。
    I^t−1\hat{I}_{t-1}
  3. 新鲜采样 $I_{\text{ray}}$本帧新追踪到的几束光线的结果，带噪点但最“跟手”，能反映刚发生的动态变化。
    IrayI_{\text{ray}}
  4. 混合系数 $\alpha$$\alpha$ 越接近 1 越信任历史（更稳、更糊），越接近 0 越信任新采样（更准、更闪），工程上通常取 0.9 左右。
    α∈[0,1]\alpha \in [0,1]

六、GI 性能优化：给光的反弹定预算

舞厅开业一个月，老张收到电费单差点晕过去。老板说直接把灯关一半，客人不答应。老张的办法是“分级照明”：舞池中央的灯每帧都精打细算，照得又亮又细腻；走廊尽头的墙每 4 帧才更新一次，反正没人盯着角落发呆。全程不降亮度，只降“更新频率”和“计算精度”，客人的观感几乎没有变化。

实时 GI 的优化本质就是预算控制加多级细节（LOD）。常用的三板斧是：降分辨率计算——用 1/4 分辨率算间接光再上采样；空间共享——相邻像素复用同一束光线的结果；时域累积——用上一节的 α 滤波把噪点摊到历史上。还有一个关键武器是级联体素：近处用精细的小体素、远处用粗糙的大体素，把“内存爆炸”变成可控增长。

老张的“分级照明”让舞厅电费降了七成，客人根本没发现角落的灯光更新变慢了。实时 GI 的诀窍从来不是“算得更准”，而是“在该准的地方准、该省的地方省”。温度计、冰块盒、会跑的探针，配上一本精打细算的预算账本——这就是实时全局光照又快又真的全部秘密。

Dl=2 l×D0\displaystyle D_l = 2^{\,l} \times D_0
一句话解释：体素网格每一层的间距按 2 的幂次翻倍，离相机越远的层越粗，用指数增长换取无限远覆盖。
  1. 最细级间距 $D_0$离相机最近一层的体素边长，通常设 0.1 到 0.25 米，保证近景细节。
    D0D_0
  2. 级数 $l$第几层精度，$l=0$ 最细，$l=1$ 间距翻倍，$l=2$ 再翻倍，依此类推。
    l=0,1,2,…l = 0,1,2,\dots
  3. 翻倍因子 $2^{\,l}$每远一级体素边长翻倍，存储从 1 个单位变成约 1+8+64=73 个单位，用受控增长换大范围覆盖。
    2 l2^{\,l}
  4. 帧预算不等式间接光开销必须小于帧预算减去直接光开销，超了就自动降级——降分辨率、减级数、降采样数。
    CIndirect≤Bframe−CDirect\displaystyle C_{\text{Indirect}} \le B_{\text{frame}} - C_{\text{Direct}}

AI 应用场景

游戏引擎中的 GI 方案选型

阶段：算法选型与部署调优

解决的问题：传统引擎只靠离线烘焙光照贴图，场景一有动态物体就“露馅”。用 Light Probe 配合静态烘焙、再叠加实时探针，可以在角色移动、门开关时提供平滑的过渡间接光，避免画面闪烁。

具体案例：某开放世界手游的地窖和建筑背阴面，用 Light Probe 预烘焙低频间接光；日间草原走进地窖的瞬间，亮度过渡自然、无跳变，帧率稳定在 60fps。

LED 虚拟影棚的实时补光

阶段：实时渲染推理

解决的问题：LED 影棚里演员站在大屏幕前，屏幕上放虚拟场景，但演员脸上只有屏幕直射光，缺少环境反弹光，看起来像“贴上去的纸片人”。用 DDGI 思路布设动态探针，每帧捕捉屏幕光并回弹到演员面部，肤色立刻立体起来。

具体案例：国内外虚拟制片项目参考《曼达洛人》的 StageCraft 方案，在 LED 墙前用实时探针为演员补充间接光，后期实拍补光工作量减少约 40%。

建筑与数字孪生的实时漫游

阶段：性能优化与效果评估

解决的问题：建筑漫游要求 60fps 下呈现完整 GI，中端显卡吃不住全分辨率间接光。用 Voxel GI 的级联精度做“近细远粗”，配合降分辨率加时域累积，画质目视无损。

具体案例：某数字孪生园区项目在 WebGL 端把间接光计算分辨率降到 1/4，叠加上一帧时域累积，帧率从 22fps 提升到 58fps，评委肉眼难辨差异。

Python 演示

python53 行
import math  class VoxelGridGI:    """极简二维体素全局光照模拟器: 直接光照 + 多轮反弹扩散."""     def __init__(self, cols, rows, source):        self.cols = cols        self.rows = rows        self.source = source  # (col, row) 光源所在格        self.grid = [[0.0 for _ in range(cols)] for _ in range(rows)]     def direct_pass(self, intensity=1.0):        """阶段1: 只写直接光照, 亮度随距离衰减."""        sx, sy = self.source        for y in range(self.rows):            for x in range(self.cols):                dist = math.hypot(x - sx, y - sy)                self.grid[y][x] = max(0.0, intensity / (1.0 + dist * 0.8))     def bounce_pass(self, iterations=4, reflect=0.5):        """阶段2: 模拟间接光反弹, 每轮把光向四邻居扩散一份."""        for _ in range(iterations):            new_grid = [[0.0 for _ in range(self.cols)] for _ in range(self.rows)]            for y in range(self.rows):                for x in range(self.cols):                    val = self.grid[y][x]                    for dx, dy in ((1, 0), (-1, 0), (0, 1), (0, -1)):                        nx, ny = x + dx, y + dy                        if 0 <= nx < self.cols and 0 <= ny < self.rows:                            new_grid[ny][nx] += val * reflect / 4.0            for y in range(self.rows):                for x in range(self.cols):                    self.grid[y][x] += new_grid[y][x]     def sample(self, x, y):        """阶段3: 查询某格光照, 对应实时渲染读取体素."""        return self.grid[y][x]  def main():    sim = VoxelGridGI(cols=16, rows=10, source=(4, 5))    sim.direct_pass()    corner = sim.sample(13, 8)    sim.bounce_pass(iterations=4, reflect=0.5)    bright = sim.sample(13, 8)    print("角落格(13,8) 直接光后亮度: %.3f" % corner)    print("角落格(13,8) 反弹4轮后亮度: %.3f" % bright)    print("间接光贡献占比: %.1f%%" % ((bright - corner) / bright * 100))  if __name__ == "__main__":    main()
目的：用 2D 网格模拟“直接光照 + 4 轮反弹”的过程，量化展示间接光对暗部角落的贡献，对应正文的体素 GI 思想。
  1. dist = math.hypot(x - sx, y - sy)计算格点到光源的直线距离，距离越远光越弱，模拟射灯衰减。
  2. self.grid[y][x] = max(0.0, intensity / (1.0 + dist * 0.8))把直接光按距离衰减写进体素网格，就像老张的射灯只照亮光源附近。
  3. new_grid[ny][nx] += val * reflect / 4.0把格子的光分出 reflect 比例、均摊给上下左右四个邻居，模拟一次反弹。
  4. self.grid[y][x] += new_grid[y][x]本轮反弹光叠加回原网格，对应多次反弹持续累积间接光。
  5. sim.bounce_pass(iterations=4, reflect=0.5)反弹 4 轮、每轮保留一半能量，轮数越多角落越亮。
  6. corner = sim.sample(13, 8)查询最远离光源的角格亮度，用于对比反弹前后的变化。
  7. if __name__ == "__main__":把演示逻辑放进主入口，脚本可以直接运行。

常见误区

误区既然探针是采样点，那肯定是埋得越多越准。我直接往场景里扔几千个 Light Probe，覆盖得密不透风，画质肯定拉满。

正解探针数量线性增加内存和更新开销，且画质并非随探针数线性提升。插值错误主要发生在“探针之间跨遮挡墙体”的场景，比如两个探针中间隔着一堵墙，插值会把墙后的光错误地糊过来。正确做法是让探针避开遮挡边界、在关键转折处加密，数量控制在几百个级别，而不是无脑堆几千个。

为何常见：直觉上“采样点越多越接近真实”，但忽略了实时系统的预算约束和插值结构本身的误差来源。

误区Voxel GI 的格子切得越小，光晕越锐利。我把体素边长设成 1 厘米，画质肯定无敌。

正解体素网格的内存随边长按三次方膨胀，1 厘米体素覆盖一个舞厅会直接爆显存。而且实时 GI 处理的是低频间接光，墙角发糊一点肉眼根本注意不到。正确姿势是使用级联结构：近处 0.1 米、远处 1 米以上，把分辨率花在观众盯着看的地方。

为何常见：只看“精度越高越好”的单目标，忽略了内存和带宽的硬约束，这是新手最容易踩的工程大坑。

误区DDGI 又动态又实时，是终极方案。以前那些 Light Probe 烘焙、光照贴图全都可以删了，一劳永逸。

正解DDGI 对低频间接光表现出色，但对高频细节——比如小物件的接触阴影、细窄缝隙里的光线——采样率远远不够，而且每帧光追本身有固定开销。工业界主流做法是混合：静态烘焙负责高质量细节，DDGI 负责动态补充，各司其职。

为何常见：新技术发布时宣传话术容易让人产生“替代一切”的错觉，忘了每种方案都有分辨率与预算的物理极限。

误区既然时域滤波能压噪，我把 α 调到 0.99，历史权重拉满，画面肯定又稳又干净。

正解α 过大意味着几乎完全信任历史帧，一旦有角色跑过、灯光切换，旧画面会拖出长长的“鬼影”或残像。正确做法是结合运动向量和深度校验：运动剧烈的区域自动降低 α、甚至立刻重置历史，静止区域才放心地高 α 压噪。

为何常见：理解了“历史能压噪”却忽略了“历史会过期”，看不到动态与稳定之间的对立统一关系。

面试题

Q1. 渲染方程中哪一项表示“点自身发出的光”？

单选题 · easy

  • A.入射光辐照度项
  • B.自发光辐射项← 正确答案
  • C.反射分布函数项
  • D.余弦角度衰减项

答案：B。渲染方程中 $L_e$ 是自发光项，只有光源自身才有非零值。入射光、BRDF、cosθ 分别描述外界射来的光、材质反射特性、几何角度衰减，都不是“自身发出”。

Q2. 蒙特卡洛采样时，降低噪点最直接的方法是？

单选题 · easy

  • A.提高每个像素的采样数← 正确答案
  • B.降低屏幕输出分辨率
  • C.关闭所有直接光照
  • D.成倍提高光源的强度

答案：A。蒙特卡洛估计的方差与采样数 N 成反比，增加 N 是降低噪点的根本手段。降低分辨率、关光照、调强度都只是改变画面内容或输出，不能消除采样不足产生的方差抖动。

Q3. Light Probe 中实际长期保存的数据是？

单选题 · mid

  • A.场景的深度缓冲数据
  • B.光源的移动轨迹数据
  • C.球谐函数的紧凑系数← 正确答案
  • D.逐像素高动态范围图

答案：C。Light Probe 存的是球谐函数系数，通常只有 9 到 27 个浮点数，用紧凑的方式描述“各方向光强分布”。深度缓冲、光源轨迹、逐像素 HDR 图都不是探针的存储形态。

Q4. 关于体素化全局光照，下列说法正确的是？

多选题 · hard

  • A.内存随级联级数快速膨胀← 正确答案
  • B.查询体素是快速查表操作← 正确答案
  • C.体素越小内存开销越小
  • D.远近可用不同精度体素← 正确答案

答案：ABD。体素相邻级之间边长翻倍，存储量呈三次方膨胀，A 对；查询体素是直接读 3D 纹理，B 对；级联 LOD 近细远粗，D 对。C 说反了——体素越小意味着格子数量越多，内存开销反而越大。

Q5. DDGI 时域滤波中，混合系数 α 的典型取值为？

单选题 · mid

  • A.固定取值 1.0 效果最稳
  • B.取 2.0 可以加强压噪
  • C.取 0.1 更信任历史值
  • D.取 0.9 附近更信任历史← 正确答案

答案：D。α 是历史结果的权重，取 0.9 左右代表 90% 信任上帧、10% 信任新采样，压噪和跟手性取得平衡。1.0 完全不更新、2.0 超出 0~1 区间是非法取值，0.1 则是过度信任新采样、噪点压不住。

Q6. 时域滤波 α 取值过大会产生什么副作用？

单选题 · mid

  • A.动态物体拖出残影鬼影← 正确答案
  • B.静态画面开始持续闪烁
  • C.间接光整体亮度成倍翻
  • D.体素网格会从画面消失

答案：A。α 过大意味着旧画面权重极高，场景中高速运动的物体会在屏幕上留下“鬼影”拖尾。闪烁是 α 过小的典型表现，亮度翻倍和网格消失与时域滤波没有直接因果关系。

Q7. 以下属于实时 GI 性能优化手段的是？

多选题 · extreme

  • A.降低间接光渲染分辨率← 正确答案
  • B.让相邻像素复用采样结果← 正确答案
  • C.每像素每帧追一千条光线
  • D.使用上一帧结果参与滤波← 正确答案

答案：ABD。降分辨率再上采样、空间复用邻居采样、时域累积复用历史帧，是实时 GI 的三大优化武器。C 是离线渲染（如电影级 CGI）的做法，实时场景每像素追 1000 条光线会直接卡死。

Q8. 使用 Light Probe 查询某点光照时采用的方式是？

单选题 · easy

  • A.全场景所有探针取平均
  • B.随机抽一个探针读数
  • C.邻近几个探针加权插值← 正确答案
  • D.永远读取最近一个探针

答案：C。查询点周围几个探针按距离做加权插值，能得到连续平滑的光照过渡，这是探针方案的标准做法。全场景平均会糊成一片，随机抽一个会闪，只读最近一个会在探针边界出现明显接缝。

Q9. 关于球谐函数阶数 l，下列正确的是？

多选题 · hard

  • A.零阶只能表达平均亮度← 正确答案
  • B.阶数越高表达细节越多← 正确答案
  • C.阶数越高存储开销越小
  • D.二阶已够多数低频间接光← 正确答案

答案：ABD。l 越大，球谐基函数越多、能描述的高频细节越丰富，但系数数量是 $(l+1)^2$ 量级上涨，存储开销随之增大，所以 C 说反了。间接光是典型的低频信号，实际工程中常用 2 到 3 阶。

Q10. 关于 DDGI 探针的特性，描述正确的是？

单选题 · hard

  • A.探针固定在场景中离线烘焙
  • B.探针仅保存深度与法线数据
  • C.探针必须逐像素地密集排布
  • D.探针每帧更新并做时域滤波← 正确答案

答案：D。DDGI 的探针在网格上动态分布，每帧用稀疏光线追踪更新辐射度，并用时域滤波压噪，这与“固定离线烘焙”的 Light Probe 本质不同。探针存的是光照数据而非深度法线，且是稀疏排布而非逐像素。