云雾烟怎么画：体积渲染技术

可视化演示

动态演示云雾烟怎么画的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

体素数据：把果冻切成储物格

还记得小时候超市里卖的果冻块吗？工厂先把一整桶果冻倒进方形的模具盘里，切成整齐划一的小方块再包装出售。我们要在计算机里“装下”一整块云雾，也需要这样的模具盘——只不过它有三个维度：长、宽、高。这个三位一体的“模具盘”叫做体素网格，其中每一个小方块就是一个体素，英文叫 Voxel，是“体积”和“像素”两个词拼出的孩子。

每个小格子里装什么？两样东西：这个位置的密度（这口果冻有多“实”）和颜色（是云的白、雾的灰，还是火焰的橙）。把密度填进每一个格子，就得到了密度场——它描述“云雾在空间里哪块厚、哪块薄”。想想看，真正的云朵边缘总是薄薄的、透光的，中心却是厚重的一团白，用密度场来描述再合适不过：边缘密度低，中心密度高。

在具体实现时，体素数据通常用三维数组或者 3D 纹理存储，数组下标 $(i, j, k)$ 对应世界坐标的一个小方块。为了模拟更自然的云，常用 Perlin 噪声等程序化方法给密度场叠加多层细节，让云拥有蓬松的絮状边缘，而不是一个规整的立方体。

回到果冻的比喻：体素数据就是把云雾这坨“果冻”事先切好并标注好每一格的甜度和口味。接下来的问题只有一个——我们该如何“品尝”它？

光线步进：把吸管一寸寸插入果冻

你拿到一块标注完的果冻，要怎么知道从某个角度看它是什么颜色？答案是：从眼睛出发，向果冻射出一根“视线吸管”，然后一段一段地插进去。每插入一小段 $\Delta t$，就停下来吸一口——读取当前格子的密度和颜色，估算这一小段对最终颜色有多少贡献，然后继续前进。这个“走一步、采样一次”的过程，就是光线步进。

光线步进在数学上其实就是把“光路上的积分”近似成“多段求和”。光在每一小段 $\Delta t$ 中，会先乘上当前点的透射率 $T_i$（说明光走到这里还剩多少能量），再乘上密度 $\sigma_i$ 和散射光颜色 $c_i$，最后累加到结果里。步长 $\Delta t$ 可以固定，也可以自适应——密度大的区域步长缩小，密度稀薄的区域大步快走，就像吃果冻时遇到大块果肉要小口抿，遇到清汤可以一口吞。

吸管一寸寸插入果冻，每一口都让你对整块果冻的了解加深一分。当吸管从另一头穿出时，你已经完整掌握了这条视线上的全部“味道信息”——这就是一个像素的最终颜色。对屏幕上每一个像素都做一遍，你就“画”出了整朵云。

散射计算：光在果肉间弹来弹去

为什么云是白的，天是蓝的，晚霞是红的？这就要说到光粒子和云雾粒子之间的“碰撞游戏”了。阳光射入云雾后，并不会乖乖直行，而是会被无数小水滴或尘埃粒子撞得偏离方向——这个现象叫散射。散射的方向分布不是均匀的，它由粒子的尺寸和光的波长共同决定。

天空呈现蔚蓝色，要归功于瑞利散射：空气分子这种“极小的果粒”对短波长的蓝光格外“敏感”，把蓝光弹向四面八方，于是整个天穹看起来都是蓝的。相比起来，米氏散射发生在粒子尺寸接近光波波长时（比如大水滴、尘埃），它倾向于让光继续朝前方传播，所以云层内部的散射光大多保持着向前的方向，让云看起来是明亮的白色。用什么数学工具来描述“光朝不同方向散射的概率”呢？答案是相位函数，它像一个打分器，给定入射方向和出射方向的夹角 $\theta$，返回一个权重值。

回到果冻的比喻——果肉颗粒就是云雾里的水滴。囗感细腻的小果粒（蓝光）更容易被弹向侧面，于是天空蔚蓝；粗大的果粒（云滴）则推着光继续向前，于是云朵白亮。理解散射，你就能解释并控制体积渲染中最重要的色彩来源。

吸收透射：光一路被果冻“吃掉”

当光线穿过果冻时，除了被弹偏方向，还有一部分能量会被果冻“扣留”——被吸收转化成热量，或者散射到别的方向、再也到不了观察者眼里。这种“吃掉光”的能力，用吸收系数和散射系数来描述，二者之和叫做消光系数 $\sigma_t$。消光系数越大，光衰减得越快。

描述光强随距离指数衰减的规律，叫比尔-朗伯定律。它告诉我们：光每前进一小段距离，剩余能量就乘上一个小于 1 的因子；走得越远，衰减越快，是指数级别的崩塌。在体积渲染中，从起点 $a$ 到终点 $b$ 的透射率 $T(a,b)$ 就是把这段路程中每一小步的衰减乘起来。透射率等于 1 时说明光完全没被挡住；趋近 0 时说明光已经全被“吃光”了——这就是阴影最暗的地方。

就像吸管吸果冻时，吸得越长、果肉越稠密，你能吸上来的“光”越少——吸收与透射决定了体积渲染的明暗骨架。理解这个指数衰减，你就能解释为什么浓雾里车灯只能照亮几米远，而稀薄的晨雾却能透出长长的光柱。

实时优化：先粗尝一口再细品

游戏里的云海每一帧都要渲染，可光线步进是一个极其“贪吃”的过程——每个像素都要沿光线走几十步，每步都要做一次三维纹理采样。想想看：一根吸管尝完整块果冻已经够费劲，如果整个屏幕几百万个像素都要各插一根吸管，算力瞬间就会爆炸。实时渲染的第一条救生索是降采样：先在四分之一甚至八分之一分辨率下“粗尝”一遍体积效果，得到低分辨率的颜色缓冲，再在最终输出时做上采样和边缘修复。肉眼对云雾这类低频细节的分辨并不敏感，这一招能省下超过一半的开销。

第二条救生索是时间重投影：既然云在相邻两帧之间变化不大，我们就不必每帧都从头步进，而是把上一帧已经算好的结果“搬”到这一帧来。做法是把上一帧的像素按云的运动方向和相机运动做一次坐标重投影，如果新旧位置的重叠度高，就直接复用历史结果；同时配合少量抖动采样（Temporal AA 的思路），让误差在时间上均匀散布而不是集中在某处，从而显著降低闪烁感。第三招是级联分辨率：离相机近的云雾用高分辨率体素精细渲染，远处的用粗糙的大网格粗略带过，就像果冻近处用小口细品、远处大口吞掉——人眼对远处的细节本来就不敏感。

实时渲染高手，是一位懂得“偷懒”的品鉴师：先用粗吸管快速吸一遍判断整体风味，再借助上一口的余味弥补细节，最后只对嘴边的那一小块果冻细细品味。正是这些聪明的偷懒，让你的显卡能在 16 毫秒内画完整片云海。

离线应用：米其林大厨的慢工细活

如果说实时渲染是快餐店里狼吞虎咽，那离线渲染就是米其林三星后厨的耐心摆盘。影视特效中的爆炸火焰、翻涌浓烟、仙气缭绕的山谷，每一帧都允许渲染几分钟甚至几十分钟，因此可以不计成本地增加采样数、使用更高精度的体素网格，甚至模拟多重散射——光线在云层内部被弹了又弹，最后才抵达摄像机。多重散射是让云层拥有“自发光蓬松感”的关键，电影里那些云内部透出的柔和光晕，就来源于此。

离线渲染所用的体积光传输方程把吸收、散射、自发光统一在一起：观测到的出射光 $L_o$ 等于背景光乘透射率，加上路径上每一处散射进视线方向的增量。这个方程比我们前面列出的累加公式多了“多重散射”的积分项，通常需要用蒙特卡洛方法迭代求解，计算量比实时那套高几个数量级，但换来的是照片级的真实感。

电影工作者就像一位耐心的米其林大厨，愿意花几小时只为让一块果冻在灯光下呈现出最完美的通透和光泽。也正因如此，虚拟制片现场需要实时预览云海背景，而最终成片却要交给离线渲染慢慢炖——两套流程相辅相成。

前沿技术：神经网络当品鉴师

如果有一种方法，不需要把果冻切成一格一格的储物格，而是直接“尝一口就知道整块果冻任意位置的味道”，那该有多好？神经辐射场（NeRF） 正是这样的尝试：它用一个神经网络 $F_\theta$ 直接编码三维空间中任意一点的密度和颜色，而不是存储在离散的体素网格里。渲染时，光线步进的采样点不再从数组里查表，而是喂给神经网络，让它“即兴回答”这一点的密度和颜色。由于神经网络的表达能力极强，NeRF 能够用连续函数表示出无比细腻的云雾细节，这也是近年 AI 三维重建火爆的核心引擎。

另一个前沿方向是流体仿真联动：用物理仿真（如欧拉网格或 SPH）实时计算烟雾的速度场和密度场，再把仿真结果直接作为体素数据送入渲染管线。这样一来，烟火不仅有好看的“皮”，还有符合流体力学规律的“骨”。再加上硬件光线追踪逐步普及，实时全局体积光正在成为游戏引擎的新标配——每一束光穿过雾气留下的光柱，都可以被逐像素实时追踪。

如果说传统体积渲染是“把果冻切好再逐格品尝”，那神经渲染就是“请一位品鉴大师，你问他任何位置的味道，他都能立即告诉你”。从切格子的模具盘，到吸管采样的手法，再到神经网络这位AI品鉴师——体积渲染的旅程，正从“画得更像”走向“懂什么是像”。

AI 应用场景

Python 演示

import math GRID_W, GRID_H = 72, 24  def density_at(x, y):    """返回 (x, y) 位置的密度值：两团高斯云叠加。"""    val = 0.0    dx = (x - 18.0) / 5.0    dy = (y - 8.0) / 3.5    val += 1.4 * math.exp(-(dx * dx + dy * dy))    dx = (x - 46.0) / 7.0    dy = (y - 16.0) / 4.5    val += 0.8 * math.exp(-(dx * dx + dy * dy))    return val  def raymarch_vertical(x, steps):    """从底部向顶部步进，累计光学厚度。"""    optical_depth = 0.0    for s in range(steps):        y = s + 0.5        optical_depth += density_at(x, y)    return optical_depth  CHARS = " .:-=+*#%@"  def render():    """逐像素渲染并返回字符串画面。"""    rows = []    for y in range(GRID_H):        row = ""        for x in range(GRID_W):            tau = raymarch_vertical(x, GRID_H)            brightness = math.exp(-tau * 0.45)  # 比尔-朗伯: 亮度随光学厚度指数衰减            idx = int(brightness * (len(CHARS) - 1))            if idx >= len(CHARS):                idx = len(CHARS) - 1            row += CHARS[idx]        rows.append(row)    return "\n".join(rows)  if __name__ == "__main__":    print(render())

1. density_at(x, y)用两个高斯函数叠加模拟两团云，返回任意坐标的密度值，相当于“果冻储物格”里查询甜度。
2. raymarch_vertical(x, steps)对每一列像素，从底部到顶部逐格采样并累加光学厚度，这就是最简版“吸管步进”。
3. math.exp(-tau * 0.45)直接用比尔-朗伯定律计算剩余光强，$e^{-\tau}$ 是透射率的核心。
4. idx = int(brightness * (len(CHARS) - 1))把 0~1 的亮度映射到字符索引，暗处用 @、亮处用空格表示。
5. if __name__ == "__main__":保证脚本被直接运行时才输出画面，被 import 时不会意外打印。

常见误区

面试题