想象一下，你是一位导演，想拍一部机器人“视察”真实街道的纪录片。但你不想让机器人真上街——它可能撞坏、可能被狗追、可能把行人吓一跳。于是你在摄影棚里搭了一条“假街道”：逼真的柏油路面、带刮痕的金属邮筒、树影晃动的玻璃橱窗、天光从云缝里漏下来。机器人在这条假街上反复排练、拍摄训练素材，等它真正走上大街时，已经能一眼认出电线杆和消防栓。 真实感渲染（Physically Based Rendering + 光线追踪）就是这个“摄影棚”。工程师（导演）决定用什么摄影机（渲染管线）、给道具上什么漆（PBR 材质）、怎么布灯（HDR 环境光照）、怎么管理道具贴纸（纹理资源），最终让机器人“看”到的虚拟世界逼真到足以以假乱真。这个过程有个专业名字——Sim-to-Real（仿真到现实迁移），它在帮机器人提前预习真实物理世界。

岗位关联

对 AI 从业者而言，真实感渲染是机器人视觉训练的核心弹药库：掌握它，你就能高效生成多样化、带真值标签的训练数据，让仿真模型顺利迁移到真实机器人，这是机器人开发与系统中极具工程价值的技能。

目录
  1. 可视化演示
  2. 渲染管线选型
  3. PBR材质模型
  4. 光线追踪
  5. HDR环境光照
  6. 纹理资源管理
  7. 仿真现实域适应
  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PBR材质渲染与光线追踪在机器人仿真中的应用，包括渲染管线选型、HDR环境光照配置与纹理管理，交互切换渲染模式查看Sim-to-Real效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

真实感渲染管线 PBR渲染：基于物理的材质模型，模拟光线与表面交互 光线追踪：模拟光线传播路径，生成真实阴影与反射 L_o = L_e + integral(f_r * L_i * cos_theta * d_omega) PBR与光线追踪结合生成逼真视觉，缩小仿真与现实的域间差距

渲染管线选型

导演的第一步不是喊“ACTION“，而是挑摄影机。你要拍每日更新的 50 集肥皂剧，就不能扛着笨重的胶片机逐帧推演；你要拍《阿凡达》级别的科幻大片，就得接受单帧渲染几小时的代价。机器人仿真的”摄影机”就是渲染管线：实时渲染管线（如 Unity、Unreal、Isaac Sim 的内置渲染器）追求一秒钟输出几十上百帧，适合强化学习疯狂试错；离线渲染管线（如 Mitsuba、Blender Cycles）以物理级精度逐像素模拟光线，画质惊人但速度慢得像精修照片。

机器人工程师常常“两条腿走路”：大规模训练用实时管线批量生产图像，因为模型需要一个广覆盖的图像池；而在验证某些关键感知功能时，用离线管线渲染几组“高清艺术照”，检查算法在复杂光照和反射下会不会翻车。管线选择的本质，是在帧率（产量）和保真度（质量）之间做权衡。除了 RGB 图，管线还要顺手合成深度图、语义分割图等“传感器配套视图”，因为它们正是机器人理解真实世界的额外信号。

所以选管线就像选摄影机：肥皂剧用轻便数码机，大片用胶片机。对机器人来说，如果目标是让策略网络“多见世面”，实时管线是主力；如果目标是校准一个精密视觉测量算法，离线管线更靠谱。把片场器材备齐，接下来就要给道具上妆了。

FPS=1Trender+Tupload\displaystyle FPS = \frac{1}{T_{\text{render}} + T_{\text{upload}}}
这个公式说明：每秒能出多少帧画面，由渲染耗时和把图像从 GPU 传回训练程序的时间共同决定。
  1. 渲染耗时 \(T_{\text{render}}\)GPU 计算一整帧图像所花的时间，场景越复杂、光线越多，这个值越大。
    TrenderT_{\text{render}}
  2. 上传耗时 \(T_{\text{upload}}\)图像从显存拷贝到内存、再交给训练数据管道的传输时间，常被忽略却在分布式仿真中举足轻重。
    TuploadT_{\text{upload}}
  3. 每秒帧数 \(FPS\)两者之和的倒数，一秒钟能生产多少张训练图片。
    FPS=1Trender+TuploadFPS = \frac{1}{T_{\text{render}} + T_{\text{upload}}}

PBR材质模型

道具师最头疼的问题是：给一个塑料苹果和一块金属蜂窝板刷同样的红漆，为什么在灯光下看起来完全不一样？因为真实材质决定了光的行为：塑料表面会把光均匀散射开，金属则像镜子一样把周边环境反射回来。PBR（基于物理的渲染）材质模型干的正是这件事——它用几个物理参数描述“道具表面的性格”：金属度决定它是导体还是非导体，粗糙度决定表面是磨砂还是镜面，再配合法线、遮挡等通道，就能让虚拟苹果看起来像从超市拎回来的。

在 PBR 工作流中，“双向反射分布函数”负责回答“当一束光从某个方向打来，会朝哪个方向反射多少”。配合能量守恒约束，材质不会出现“反射得比入射还多”的物理错误。而这一切最直观的现象，就是菲涅尔效应：当你低头看水面，垂直看时它近乎透明；站远平视，水面却亮得像一面镜子——因为在掠射角，反射率会急剧上升。

回到摄影棚：PBR 就像给每个道具刷上了“会读光的漆”。机器人看到的金属垃圾桶不再是一团均匀的灰色，而是随着镜头移动边缘泛着街道的倒影。材质搞定后，片场重头戏来了——灯光师必须一根一根地把光束“追”出来。

F(θ)=F0+(1−F0)(1−cos⁡θ)5\displaystyle F(\theta) = F_0 + (1 - F_0)(1 - \cos\theta)^5
菲涅尔方程描述了一件事：物体表面的反射率随观察角度变化，瞥射角越大反射越强。这是所有真实渲染中“质感”的关键来源。
  1. 基础反射率 \(F_0\)光线垂直射入表面的反射比例，每种材质都有固定值，例如水的 \(F_0\) 约为 0.02，金属可高达 0.9 以上。
    F0F_0
  2. 入射角 \(\theta\)光线方向与表面法线的夹角，\(\cos\theta\) 大表示垂直入射，接近 0 表示掠射。
    cos⁡θ\cos\theta
  3. 掠射增强项\((1-\cos\theta)^5\) 让反射率在掠射角时急剧攀升，五次方的曲线让过渡更符合人眼直觉。
    (1−cos⁡θ)5(1 - \cos\theta)^5

光线追踪

灯光师若想把影棚打光做到极致，最简单的办法是“数清楚每一束光”。传统游戏渲染像拿手电筒快速扫射墙壁，只关心直接照到的区域，因此阴影生硬、反射失真。而光线追踪则让“反向追光”：从摄影机镜头出发，向场景发射无数光线，让它们一路撞上物体、反弹、再反弹，最后统计它们携带的亮度信息。这就是路径追踪的基本思路——像把一片萤火虫撒进黑暗房间，记录每只虫子最终停在哪。

路径追踪能自然产出全局光照：红色墙壁的漫反射会把暖色“染”到旁边白球上；地面反射让车底阴影不再死黑；多光源交汇处出现柔和的半影。这一切都由一条简洁的方程统治——渲染方程。它像一个万能记账本：某一方向上发出的光 = 自己发光的能量 + 四面八方照来的光经过材质反射后的总和。

光线追踪让虚拟片场的“光”真正活了起来。但追光追得再细，也得先弄清楚片场外面是什么天——是烈日还是阴云，这直接决定了环境光的底色，也就是下一步的 HDR 环境光照。

Lo(x,ωo)=Le(x,ωo)+∫Ωf(x,ωi,ωo)Li(x,ωi) (ωi⋅n) dωi\displaystyle L_o(x,\omega_o) = L_e(x,\omega_o) + \int_{\Omega} f(x,\omega_i,\omega_o) L_i(x,\omega_i)\,(\omega_i\cdot n)\, d\omega_i
渲染方程是真实感渲染的“圣经”。它把所有光线传播都归纳为一次积分，路径追踪算法本质就是对这个积分做蒙特卡洛采样估计。
  1. 出射光 \(L_o\)从表面点 \(x\) 沿观察方向 \(\omega_o\) 最终进入相机的亮度。
    Lo(x,ωo)L_o(x,\omega_o)
  2. 自发光 \(L_e\)表面自身发出的光，比如汽车尾灯，是很多场景亮度的起点。
    Le(x,ωo)L_e(x,\omega_o)
  3. 入射光总和 \(\int_{\Omega} …… L_i(x,\omega_i)\)对表面上方整个半球空间 \(\Omega\) 中每个方向来的光线做累加。
    ∫Ωf(x,ωi,ωo) Li(x,ωi)\int_{\Omega} f(x,\omega_i,\omega_o)\, L_i(x,\omega_i)
  4. 余弦衰减 \((\omega_i\cdot n)\)光线斜着照到表面时有效能量会打折，垂直照射最亮。
    (ωi⋅n) dωi(\omega_i\cdot n)\, d\omega_i

HDR环境光照

摄影指导常说：“室外戏最重要的是天光，而不是灯。”真实世界的明暗跨度极大：正午太阳的亮度可能是室内暗部的十万倍。普通图片格式只能记录约 256 级亮度，一对比就“死白”或“死黑”,这就是低动态范围（LDR）的局限。HDR 环境光照则像一张记录下整个世界亮度的“全景光之地图”，不仅存颜色，还存每个方向的真实光照强度（单位常用 lux 或 cd/m²）。

在仿真中，通常加载一张 HDRI 环境贴图作为场景的天穹和无限远光源，再叠加若干定向光模拟太阳和补光。为了让画面能显示在普通屏幕上，需要色调映射把 HDR 的宽范围亮度“压”回 0~1 的显示区间——最经典的 Reinhard 算子只用一行变换，就能把夸张的强光柔和地拉回来。

把 HDR 片场搭好后，你会发现道具表面出现了真实的天空反光。但光有大方向的照明还不够，道具上那些细碎花纹怎么贴？这就是纹理资源管理的活儿了。

Lout=LinLin+1\displaystyle L_{\text{out}} = \frac{L_{\text{in}}}{L_{\text{in}} + 1}
Reinhard 色调映射相当于给你的眼睛戴上渐变墨镜：再亮的区域也会被压缩到可见范围，同时保留暗部层次。
  1. 输入亮度 \(L_{\text{in}}\)HDR 渲染管线算出的原始亮度值，可以大于 1（表示超过显示上限的强光）。
    LinL_{\text{in}}
  2. 压缩变换 \(\frac{L_{\text{in}}}{L_{\text{in}}+1}\)任何非负亮度除以自身加一，结果永远落在 0 到 1 之间，亮部被压缩但单调不减。
    LinLin+1\frac{L_{\text{in}}}{L_{\text{in}} + 1}
  3. 输出显示值 \(L_{\text{out}}\)映射后的颜色分量，可直接交给屏幕显示或记录为 LDR 图像格式。
    LoutL_{\text{out}}

纹理资源管理

再精致的材质球，也需要表面贴图来呈现细节——纸箱上的瓦楞线、砖墙上的裂缝、路标上的荧光涂层。纹理美术师会把三维表面“剪开”摊平成一张二维图片，这个过程叫 UV 映射：就像把地球仪表面剪成橘子皮一样平铺开，再在平面图上作画，最后投影回去。每个三角面的 UV 坐标决定了贴图如何覆盖表面。

纹理资源管理是仿真项目的隐形账本：一张 4K 纹理约 50MB，如果场景有 500 个物件，内存直接爆掉。于是工程师会按物体重要性分级——主角机器人用 4K，路边小石子用 256px；采用纹理压缩格式（如 BC、ASTC）大幅降压；还需生成 Mipmap 多级细节链，让物体在远处自动使用低分辨率层，避免画面闪动和性能浪费。正确的 UV 布局还能让有限的像素集中在视觉中心区域，让“布料”像布料，“商标”像商标。

回到片场：纹理资源管理就是道具组的仓储系统。把高精度贴纸留给主角，把远镜头里的背景道具用低清贴图，整场戏既省钱又不穿帮。虚拟场景布置完毕，最后也是最关键的一步——让机器人在“棚里”和“棚外”演出效果一致。

仿真现实域适应

排练再充分的演员，真上台也可能因为舞台灯光变了而发挥失常。机器人从仿真走进现实时，同样面临“域间差距”：仿真材质的反射不够真实、真实相机有噪点和畸变、光照条件变化无常。这些差异会让在仿真中训练好的视觉模型在真实场景里“睁眼瞎”。真实感渲染的价值，正是在源头缩小这种差距——渲染越接近真实，迁移越轻松。

但这还不够，工程师还有三招应对：第一招“域随机化”——在仿真中随机改变光照角度、物体颜色、纹理替换、相机位置，让模型学到的不是某一套固定场景，而是“泛化的视觉规律”；第二招“视觉增强”——用风格迁移或对抗生成把仿真图像“翻译”成更接近真实相机拍摄的风格；第三招“闭环微调”——把仿真训练和真实数据混在一起继续训练，让策略不断校正偏差。仿真与现实像两个逐渐靠拢的圆，中间的交集就是模型真正可用的部分。

至此，虚拟摄影棚从选器材、调材质、追光线、布环境光、管贴图到最终“台上台下一样稳”的全流程都齐了。机器人演员排练完毕，带着一身在棚里练就的本领，自信地走向真实世界。

min⁡θEr∼R[Ltask(fθ(Ir))]\displaystyle \min_{\theta} \mathbb{E}_{r \sim \mathcal{R}} \left[ \mathcal{L}_{\text{task}}\big( f_\theta(I_r) \big) \right]
这个式子表达了域随机化的思想：我们希望在各种随机化环境参数下，任务损失的平均值最小，从而让模型在未知真实环境中也表现稳健。
  1. 随机参数 \(r\)表示每一次渲染时随机抽取的光照、材质、纹理等环境配置。
    r∼Rr \sim \mathcal{R}
  2. 任务损失期望 \(\mathbb{E}\)对所有随机场景下的损失取平均，相当于“综合考成绩”而非“单次考试成绩”。
    Er∼R[Ltask]\mathbb{E}_{r \sim \mathcal{R}} [\mathcal{L}_{\text{task}}]
  3. 最小化对象 \(\min_{\theta}\)调整神经网络参数 \(\theta\)，让模型在所有随机场景中的平均表现达到最佳。
    min⁡θEr∼R[⋯ ]\min_{\theta} \mathbb{E}_{r \sim \mathcal{R}} [\cdots]

AI 应用场景

场景一：协作机械臂抓取流水线训练

阶段：训练数据生成

解决的问题：现实中采集机械臂抓取数据需反复示教、人工标注位姿，成本高昂且场景单一。AI 用真实感渲染在仿真中搭建随机化流水线，自动生成海量带精确 6D 位姿标签的抓取图像。

具体案例：某仓储机器人团队用 Isaac Sim 搭建虚拟包裹分拣线，随机变换包裹材质（纸箱、塑料膜）、光照角度、传送带颜色，训练抓取网络 GraspNet。部署后，真实环境抓取成功率从 61% 提升到 89%，且无需额外人工标注。

场景二：无人车夜间感知验证

阶段：模型验证与评测

解决的问题：夜间真实路测成本高、场景覆盖不足。利用离线光线追踪渲染精确的夜间 HDR 场景，可在仿真中验证感知算法在极端光照下的鲁棒性。

具体案例：自动驾驶团队用 Blender Cycles 渲染了含隧道、逆光、雨夜等 2000 个高难度场景，发现目标检测模型在“对向车灯眩光”场景下漏检率高达 34%，据此优化了曝光策略和训练数据增强，真实路测漏检率下降一半。

场景三：机器人遥操作界面画质优化

阶段：部署与交互

解决的问题：远程操控机器人时，操作员依赖实时视频反馈，低质量渲染会让人难以判断深度和材质。HDR 渲染让屏幕显示接近真实明暗，降低误操作。

具体案例：核电站巡检机器人遥操作平台集成 HDR 环境光照和色调映射后，操作员对阀门与管道的距离判断准确率从 72% 提升到 91%，眩光和暗部丢失显著减少。

Python 演示

python78 行
"""简易球体光追：用 PBR 直觉渲染两个材质球"""import math def dot(a, b):    return a[0] * b[0] + a[1] * b[1] + a[2] * b[2] def normalize(v):    length = math.sqrt(dot(v, v))    return (v[0] / length, v[1] / length, v[2] / length) def clamp(x):    return max(0.0, min(1.0, x)) class Sphere:    def __init__(self, center, radius, color, rough, metal):        self.center = center        self.radius = radius        self.color = color        self.rough = rough        self.metal = metal     def intersect(self, ro, rd):        oc = (ro[0] - self.center[0], ro[1] - self.center[1],              ro[2] - self.center[2])        b = dot(oc, rd)        c = dot(oc, oc) - self.radius * self.radius        disc = b * b - c        if disc < 0:            return float("inf")        t = -b - math.sqrt(disc)        return t if t > 0 else float("inf") def render(spheres, width=100, height=40):    camera = (0, 0, -2.2)    light = normalize((0.5, 0.8, 0.6))    lines = []    for y in range(height):        row = ""        for x in range(width):            nx = (x / width - 0.5) * 2.0            ny = (0.5 - y / height) * 1.2            rd = normalize((nx, ny, 1.0))            t_min = float("inf")            hit = None            for s in spheres:                t = s.intersect(camera, rd)                if t < t_min:                    t_min = t                    hit = s            if hit is None:                row += " "                continue            px = camera[0] + rd[0] * t_min            py = camera[1] + rd[1] * t_min            pz = camera[2] + rd[2] * t_min            normal = normalize((px - hit.center[0],                                py - hit.center[1],                                pz - hit.center[2]))            diff = max(dot(normal, light), 0.0)            half = normalize((light[0] + rd[0],                              light[1] + rd[1],                              light[2] + rd[2]))            spec = math.pow(max(dot(normal, half), 0.0), 32.0)            brightness = 0.12 + 0.62 * diff + 0.35 * spec            shade = clamp(brightness * (0.8 + 0.2 * hit.color[0]))            lum = int(shade * 9)            row += " .:-=+*#%@8"[min(lum, 9)]        lines.append(row)    return "\n".join(lines) if __name__ == "__main__":    spheres = [        Sphere((-0.8, 0.1, 1.2), 0.65, (0.9, 0.2, 0.2), 0.35, 0.0),        Sphere((0.9, -0.2, 1.0), 0.55, (0.8, 0.8, 0.9), 0.08, 1.0),    ]    scene = render(spheres)    print(scene)    print("左侧: 粗糙塑料球 | 右侧: 光滑金属球")
目的：用极简的光线追踪渲染两个不同材质属性的球体，直观展示粗糙度与金属度如何影响高光扩散和反射亮度。
  1. class Sphere:定义一个球体对象，保存材质参数：位置、半径、颜色、粗糙度、金属度，让渲染逻辑更清晰。
  2. def intersect(self, ro, rd):射线与球求交，使用一元二次方程判别式，返回最近的碰撞距离；这是光线追踪最基本的几何运算。
  3. rd = normalize((nx, ny, 1.0))把屏幕像素坐标转成相机射线方向，每个像素相当于一束“反向追光”。
  4. diff = max(dot(normal, light), 0.0)计算漫反射亮度：光线与法线夹角越接近 0 越亮，模拟 PBR 的兰伯特漫反射。
  5. spec = math.pow(max(dot(normal, half), 0.0), 32.0)用半程向量计算镜面高光，指数 32 控制高光锐利度，粗糙度低时高光小而亮。
  6. row += " .:-=+*#%@8"[min(lum, 9)]把亮度映射到 ASCII 字符的密度等级，在终端直接“看到”渲染结果。

常见误区

误区“我只要把每个像素的光线采样数拉到 1024，画面就一定真实。” 很多初学者把渲染质量等同于采样数，认为堆算力就能解决一切问题。

正解真实感来自物理正确的材质、光照和相机模型。采样数只决定噪声是否消失，若材质参数错乱、HDR 环境光强度失衡，即使零噪声依然“假”。好比摄影棚里你用再贵的胶片，道具漆色不对，拍出来依然是假的。

为何常见：光线跟踪教程常把“更多采样”作为降噪手段，让人误以为越多越好，忽略了采样收敛的是“正确结果的估计”而非“正确结果本身”。

误区“照片级画质 = 模型一定能迁移成功。” 有人追求 8K 贴图 + 路径追踪，以为把仿真做得和真照片一样，算法就自动适应真实世界。

正解Sim-to-Real 迁移的关键是视觉分布的一致性，而不是绝对画质。仿真里过于精致的纹理反而成为独特信号，模型学会识别“仿真专用纹理”而非通用特征。域随机化故意制造多样化的低质场景，往往比单一高保真场景更有效。

为何常见：直觉上“越像真越好”，但机器学习关心的是分布覆盖度而非单点相似度，这一概念与人的视觉直觉相悖。

误区“HDR 环境贴图就是分辨率特别高的全景图，越大越清晰越好。” 初学者容易把 HDR 和 4K、8K 像素量画等号。

正解HDR 的 H 代表 High Dynamic Range——高动态范围，指每个像素能记录的亮度跨度远超普通图片。分辨率决定细节，动态范围决定明暗层次。一张 1K 的 HDRI 也能提供正确的光照方向，而 8K 的 LDR 图依然会丢失亮部信息。

为何常见：“高清”这个词让人自然联想到高分辨率，加上 HDR 显示器广告的模糊宣传，造成概念混淆。

误区“所有物体都上 4K 贴图，视觉质量一定最好。” 仿真项目里这种贪心会让显存爆溃、加载卡顿、帧率暴跌。

正解贴图分辨率应根据物体在屏幕上占据的像素大小来分配。远景小物用 256px 完全足够，主角交互物才上 4K。配合 Mipmap 让远处自动降级，反而比全 4K 更流畅且画面更稳定。

为何常见：人眼对近处细节敏感，会本能地认为全场景高分辨率是“更努力”的表现，而忽略工程上的资源约束。

误区“机器人仿真必须像游戏一样实时渲染，所以光追太贵，只能用光栅化。” 初学者把真实感渲染和实时渲染混为一谈。

正解机器人训练数据生成完全可以是离线的。先用实时管线大规模采集，再用离线路径追踪渲染一小批高质量验证集，二者结合是常见工程实践。实时不是目标，数据多样性才是目标。

为何常见：“实时”二字在现代渲染工具链中被频繁强调，让人忘了很多仿真流程本质是批量预处理任务。

面试题

Q1. PBR 材质模型最核心的目标是什么？

单选题 · easy

  • A.让渲染速度更快
  • B.模拟真实物理光照← 正确答案
  • C.提高纹理分辨率
  • D.增加多边形面数

答案：B。PBR 强调用物理参数（金属度、粗糙度等）描述材质，让光在表面的行为符合物理规律。选项 A 是性能优化目标，C、D 是模型复杂度提升手段，它们都不是 PBR 的本质目标。

Q2. 渲染方程中的 \(f(x,\omega_i,\omega_o)\) 表示什么？

单选题 · mid

  • A.光线衰减系数
  • B.双向反射分布函数← 正确答案
  • C.相机曝光参数
  • D.纹理采样权重

答案：B。渲染方程中 \(f\) 就是 BRDF，描述光线从 \(\omega_i\) 入射后朝 \(\omega_o\) 方向反射的比例。衰减、曝光、纹理权重都是渲染流程其他环节的概念，并非 BRDF 的角色。

Q3. 以下哪些通道是 PBR 工作流常见的贴图？

多选题 · mid

  • A.漫反射贴图← 正确答案
  • B.粗糙度贴图← 正确答案
  • C.海拔测量图
  • D.法线贴图← 正确答案

答案：ABD。PBR 工作流通常使用漫反射（Albedo）、粗糙度、金属度、法线等贴图。海拔测量图属于地形高度场应用，不是 PBR 材质的标准通道。

Q4. HDR 环境贴图主要给场景提供什么？

单选题 · easy

  • A.高分辨率几何
  • B.真实光照信息← 正确答案
  • C.平滑法线方向
  • D.压缩纹理格式

答案：B。HDRI 记录每个方向入射光的真实强度与颜色，相当于把真实世界的天光和环境照明打包进渲染器。几何、法线、纹理格式都与 HDR 环境贴图的功能无关。

Q5. 域随机化的主要目标是什么？

单选题 · mid

  • A.提高渲染帧率
  • B.提升 Sim-to-Real 迁移← 正确答案
  • C.减少磁盘占用
  • D.加快模型训练

答案：B。域随机化通过随机改变光照、纹理、相机位姿等参数，让模型学到跨域通用的视觉特征，从而改善仿真到现实的迁移效果。帧率、存储、训练速度都不是它的直接目标。

Q6. 与光栅化相比，光线追踪的优势包括哪些？

多选题 · hard

  • A.精确软阴影← 正确答案
  • B.物理准确的反射折射← 正确答案
  • C.渲染速度更快
  • D.全局光照效果← 正确答案

答案：ABD。光追通过模拟光线传播，能自然产生软阴影、真实反射折射和全局光照。光栅化速度更快，恰好是光追的劣势而非优势。

Q7. Reinhard 色调映射公式的主要作用是什么？

单选题 · mid

  • A.提高图像分辨率
  • B.将 HDR 亮度压缩到显示范围← 正确答案
  • C.消除蒙特卡洛噪声
  • D.增强阴影对比度

答案：B。Reinhard 把非负亮度通过 \(L/(L+1)\) 映射到 [0,1]，解决 HDR 图像无法在普通屏幕显示的问题。分辨率、降噪、对比度都不是该公式的功能。

Q8. 机器人强化学习训练要快速生成海量图像，应优先选什么？

单选题 · mid

  • A.离线路径追踪管线
  • B.实时渲染管线← 正确答案
  • C.CPU 软件渲染器
  • D.手动 Photoshoot

答案：B。强化学习需要高吞吐的采样数据，实时渲染管线能在秒级批量产出图像。离线路径追踪画质高但速度慢，不适合做大规模训练数据生产。

Q9. 缩小 Sim-to-Real 域间差距的常用方法有哪些？

多选题 · hard

  • A.域随机化← 正确答案
  • B.无限提高纹理清晰度
  • C.物理参数校准← 正确答案
  • D.视觉数据风格迁移← 正确答案

答案：ACD。域随机化、物理参数校准（如摩擦系数、光照标定）和视觉风格迁移都能缩小仿真与现实的分布差异。单纯提高纹理清晰度反而可能加剧对仿真特有细节的过拟合。

Q10. 菲涅尔效应描述的现象是什么？

单选题 · easy

  • A.光源色温发生变化
  • B.掠射角增大时反射增强← 正确答案
  • C.纹理重复出现拼接缝
  • D.阴影边缘逐渐模糊

答案：B。菲涅尔效应指出，光线以掠射角射向表面时反射率会显著升高，比如水面在平视时像镜子。色温、拼接缝、阴影模糊分别对应白平衡、UV 布局和软阴影，与菲涅尔无关。