SSAO原理与实现：让3D场景阴影更真实

可视化演示

\u53ef\u89c6\u5316\u5c55\u79faSSAO\u5728\u5c4f\u5e55\u7a7a\u95f4\u91c7\u6837\u90bb\u57df\u6df1\u5ea6\u3001\u8ba1\u7b97\u906e\u853d\u7a0b\u5ea6\u5e76\u751f\u6210\u67d4\u548c\u9634\u5f71\u7684\u6838\u5fc3\u6d41\u7a0b\uff0c\u4ea4\u4e92\u5207\u6362\u89c2\u5bdf\u91c7\u6837\u6838\u3001\u6df1\u5ea6\u906e\u853d\u4e0e\u6548\u679c\u5bf9\u6bd4\u3002

光照模型局限

角落侦探第一次接到任务，是被业主投诉：房间里的家具全像被PS抠图后贴上去的。侦探看了看渲染方程，发现罪魁祸首是环境光那一项——在经典的光照模型（如Lambert、Phong）里，环境光通常被设成一个常数，相当于往整个场景里泼一桶均匀的灰油漆。无论墙角还是桌面，收到的环境光一模一样。

这在物理上是说不通的。真实世界里，光线在墙角、缝隙间来回弹射时会被墙面多次吸收，能量衰减得很快，所以夹缝天然比开阔处暗。但传统模型偷了懒，用一个常量冒充所有间接光照，于是物体与地面接触的位置没有任何“接触阴影”，看起来就像轻轻飘在地面上。

这个问题的本质是：光线在几何缝隙之间弹射的衰减信息，被建模过程略去了。而角落侦探的解决方案很聪明——他不去重写全局光照，只在渲染出的图像上找缝隙。

公式化的遮蔽程度可以这样定义：

所以，第一个要解决的光照模型局限，用侦探的话说就是：“我不重装整个房间的灯，只给该暗的缝补上阴影。”

核心思想

角落侦探看清问题的第一原则：绝不在三维世界里翻箱倒柜。传统全局光照要遍历场景中的所有几何体、光源，做无数次光线求交，成本高得吓人。侦探选择站在已经“拍好”的照片前动手——这就是“屏幕空间”的意思。

渲染管线中，GPU 在生成画面时一定会附带一张深度缓冲，它记录了每个像素离相机有多远。这份深度图在侦探眼里，就是一张房间的“立体地形图”——哪里凸起、哪里凹陷、哪里有缝，全藏在数值的相对大小里。

于是，核心套路变成三步：取当前像素的深度值，在它周围撒一圈采样点，读取采样点的深度值做比较。如果某个采样点的深度比中心更“近”（离相机更近），说明中心的光线被那个凸起挡死了，这个方向就要算作遮挡。

这就好比侦探拿着一把刻度尺，站在墙角比划：尺子伸向某个方向，若触到墙就算被挡住。整体流程不需要知道墙用什么材质、灯光在哪儿、阴影锥怎么画，只需一张深度图就能推理出遮蔽信息。

用公式表达遮挡判定：

深度缓冲就是侦探的“标尺”，有了它，屏幕空间的计算就完全不需要三维几何信息。

算法流程

设计好思路后，角落侦探的完整查案流程分为四步。

第一步，重建法线。虽然深度图只有“远近”信息，但侦探可以从深度的坡度推算出表面的朝向——就像看地图上的等高线，坡越陡，朝向越偏。用深度值在水平和垂直两个方向的梯度做叉积，就能得到每个像素的近似法线。

第二步，生成采样核。知道了表面法线，就能在其朝向的半球空间里随机撒采样点，保证采样点都落在“表面之上”的那一侧，不会被表面自身挡住。

第三步，深度比较测试。对每个采样点读深度、与中心深度按上节的公式比较，统计被遮挡个数。

第四步，输出遮蔽因子。把遮挡比例归一化后写入一张灰度图，称为AO贴图，后续光照合成时用它把对应像素调暗。

法线重建公式：

至此，从深度图到法线、再到采样核，侦探已经备齐了全部侦查工具，只需挨个像素执行比较即可。

采样策略

直接在每个像素周围随机撒 16 个点，得到的 AO 图会布满噪点，像侦探的墨点撒得东一个西一个，毫无章法。因此采样策略讲究三个技巧。

第一是半球采样定向。采样点必须落在法线半球内，否则会让大部分采样点到表面背面去，白白浪费采样次数。配合均匀随机分布或余弦加权分布，能让采样方向更贴近真实光线的入射概率。

第二是随机旋转。如果所有像素使用同样一组固定偏移方向，会出现规律的带状伪影——像百叶窗一样一条条的。解决办法是给每个像素的采样核乘一个随机旋转矩阵，让噪声被打散成高频颗粒，便于后续模糊。

第三是空间模糊。打散后的高频噪声用一个小半径模糊核即可消除，但有缝隙边缘不能过度模糊，否则会把阴影“糊开花”。所以工程中常用双边滤波——只在深度相近的像素之间做平均，保留几何边缘。

加随机旋转后的采样方向：

这一套“半球定向 + 随机旋转 + 模糊降噪”的组合拳，正是侦探控制画质的关键手艺。

参数调优

角落侦探出任务时，随身携带一个工具箱，里面有几个关键的旋钮，决定阴影最终是“清淡”还是“厚重”。

采样半径：半径越大影响范围越广，阴影更柔和，但容易把不相干的几何体也算进来，产生俗称的“光晕”；半径太小则只能覆盖极窄的缝隙，看不到大范围遮挡。样本数量：样本越多噪声越低、结果越准，但性能开销线性增长。遮蔽强度：控制遮蔽因子的缩放比例，强度高阴影深，强度低则若有若无。深度偏差：防止平面自遮挡的小阈值，调得过大会让薄片物体漏掉阴影，调得过大则产生“膨胀”感。

一个常用的经验关系是：把遮蔽因子强度调到柔和范围，让暗部落在 0.85–0.95 的亮度区间，视觉上最自然。

遮蔽强度调整公式：

参数调优没有万能解，侦探只能像厨师试盐一样，在不同场景里反复品尝和微调。

工程实战

最后一步，角落侦探要真正走进工业流水线，和渲染管线并肩作战。

在实际项目中，SSAO通常放在延迟渲染的几何阶段之后、光照合成之前。延迟渲染管线已经天然生成G-Buffer，其中包含了深度和法线信息，正好免费提供给SSAO使用。如果放在前向渲染中，则需要额外渲染一张深度图，开销增加一些。

性能优化方面，最通用的做法是半分辨率计算：把AO计算放在宽度和高度都缩小一半的缓冲上，然后再双线性上采样回全分辨率。这个技巧能砍掉约75%的采样开销，而肉眼几乎察觉不到差异，因为AO本身就是低频信息。

当然，工程上也有取舍。移动端GPU上通常只用 8 个采样点加四分之一分辨率；而PC大作的PC版本则可上到 32 个采样点、完整的半分辨率步进。还要注意缺陷：SSAO只能看到屏幕内物体的遮蔽，屏幕外几何信息缺失，边缘处可能出现错误暗边；对大面积低频遮挡（比如天光从窗户撒入）也力不从心，这时需要升级到GTAO、HBAO+等更高级算法。

角落侦探至此完成了使命：他没有推倒重建光照系统，却用极低的成本让场景告别“悬浮感”。这正是屏幕空间技术在实时渲染世界中经久不衰的魅力。

AI 应用场景

Python 演示

import numpy as np class SSAOSimulator:    def __init__(self, width=64, height=64):        self.width = width        self.height = height        self.bias = 0.02        self.radius = 0.15        self.sample_count = 16     def make_scene_depth(self):        # 生成一张简化深度图：斜平面 + 凸起方块        x = np.linspace(0, 1, self.width)        z = np.linspace(0, 1, self.height)        grid_x, grid_z = np.meshgrid(x, z)        depth = 0.5 + 0.2 * grid_z        block = (grid_x > 0.4) & (grid_x < 0.6) & (grid_z > 0.4) & (grid_z < 0.6)        depth[block] = 0.25        return depth     def calc_ao(self, depth):        h, w = depth.shape        ao = np.zeros((h, w))        offsets = []        # 在法线立方的近似下半球方向撒随机偏移（屏幕空间二维）        for _ in range(self.sample_count):            ang = np.random.rand() * 2 * np.pi            rad = np.random.rand() * self.radius            offsets.append((np.cos(ang) * rad, np.sin(ang) * rad))        for i in range(h):            for j in range(w):                center = depth[i, j]                blocked = 0.0                for dx, dz in offsets:                    ni = int(i + dz * h)                    nj = int(j + dx * w)                    if 0 <= ni < h and 0 <= nj < w:                        if depth[ni, nj] < center - self.bias:                            blocked += 1.0                ao[i, j] = blocked / self.sample_count        return ao     def blur_ao(self, ao, kernel=3):        h, w = ao.shape        pad = kernel // 2        out = np.zeros((h, w))        for i in range(pad, h - pad):            for j in range(pad, w - pad):                out[i, j] = ao[i-pad:i+pad+1, j-pad:j+pad+1].mean()        return out     def run(self):        depth = self.make_scene_depth()        ao = self.calc_ao(depth)        ao_smooth = self.blur_ao(ao, 5)        return depth, ao, ao_smooth if __name__ == '__main__':    sim = SSAOSimulator()    depth, ao, ao_smooth = sim.run()    print("深度图范围: {:.3f} ~ {:.3f}".format(depth.min(), depth.max()))    print("遮蔽因子范围: {:.3f} ~ {:.3f}".format(ao.min(), ao.max()))    print("模糊后遮蔽因子范围: {:.3f} ~ {:.3f}".format(ao_smooth.min(), ao_smooth.max()))    print("凸起方块中心遮蔽因子: {:.3f}".format(ao_smooth[32, 32]))

1. depth[block] = 0.25在场景深度图中放置一个凸起的方块，模拟墙角或遮挡物。
2. offsets.append((np.cos(ang) * rad, np.sin(ang) * rad))在二维平面内随机撒采样偏移，模拟屏幕空间的方向采样。
3. if depth[ni, nj] < center - self.bias采样点深度小于中心深度时，认为中心被挡住，累加遮蔽计数。
4. ao[i, j] = blocked / self.sample_count遮挡数除以样本数得到遮蔽因子，越接近1代表缝隙越深。
5. self.blur_ao(ao, 5)对原始AO图做模糊，消除随机采样产生的颗粒噪声，得到柔和的阴影效果。

常见误区

面试题