Skip to main content

Chapter 36: Monte Carlo Integration

核心问题与阅读主线

本章导读5 个核心小节 · 附自检与总结

Monte Carlo Integration 解决 Path Tracing 中的一个核心问题:一个像素的颜色来自大量可能光路的总贡献,渲染器无法穷举全部方向、反弹次数、光源位置、时间、镜头位置和材质随机事件,只能用有限样本估计积分结果。本章用一个贯穿场景展开:一个 diffuse room 里有白墙、粗糙金属球、玻璃球和一盏小面积光。读者读完后应能追踪一次样本从随机数生成、PDF 记录、BRDF 权重、path throughput 更新到帧缓冲累积的完整路径,并据此判断噪声、偏差和采样策略的来源。

Ray Tracing 前几章已经把 primary ray、shadow ray、reflection ray、refraction ray 和递归贡献讲清楚。Monte Carlo Integration 把这些离散路径推广成随机估计:每条路径只提供一次局部观察,多条路径的平均值逼近真实光照积分。路径本身有随机性,估计过程有方差;只要 estimator 的权重、PDF 和采样域一致,样本平均会收敛到目标积分。

本章的主线是从一个命中点的渲染方程出发,建立 sample、PDF、estimator、期望值和方差之间的工程关系。数学公式只服务一件事:解释为什么同样的 sample count 下,不同采样分布会产生完全不同的噪声图案,也解释为什么某些降噪手段会改变能量,形成偏差。

公开版 PBRT 第四版的 Monte Carlo: Basics 给出了 Monte Carlo estimator、PDF 和 variance 的基础推导;Improving Efficiency 进一步解释 stratified sampling、importance sampling 和 multiple importance sampling。本章不复写这些推导,而是把它们放回 Path Tracing 的 frame、shader、buffer 和调试结果中使用。

36.1 Monte Carlo 积分的核心思想与应用场景​

在 diffuse room 的墙面命中点上,渲染器要计算沿相机方向离开表面的 radiance。表面反射的简化渲染方程可以写成行内形式:Lo(p,ωo)=Le(p,ωo)+∫ΩLi(p,ωi)fr(p,ωi,ωo)cos⁡θi dωiL_o(p, \omega_o) = L_e(p, \omega_o) + \int_{\Omega} L_i(p, \omega_i) f_r(p, \omega_i, \omega_o) \cos\theta_i\, d\omega_i。这里 pp 是命中点,ωo\omega_o 是朝向相机的出射方向,ωi\omega_i 是半球上的入射方向,LiL_i 来自场景中其他表面或光源,frf_r 是 BRDF,cos⁡θi\cos\theta_i 是方向与法线夹角产生的投影因子。

这个积分的难点来自采样域。半球方向是连续的,入射光可能来自小光源、墙面反弹、玻璃折射路径或金属高光方向。Path Tracer 每次只抽取少量方向,沿方向追踪下一条 ray,然后把该样本的贡献放大到代表整个采样域。对于任意积分 ∫f(x)dx\int f(x) dx,如果从 PDF p(x)p(x) 抽取样本 xix_i,常用估计量是 Fn=1n∑if(xi)p(xi)F_n = \frac{1}{n}\sum_i \frac{f(x_i)}{p(x_i)}。在渲染里,f(x)f(x) 对应光照、BRDF、几何项、可见性和路径后续贡献的乘积。

Sample 是一次随机选择出来的具体事件。在本章场景中,一个 sample 可以是像素内的一个 subpixel 位置,也可以是墙面命中点上的一条半球方向,还可以是面积光上的一个随机点。PDF 是该事件在对应采样域中的概率密度。对于连续方向,PDF 的单位通常是 solid angle;对于面积光表面,PDF 的单位通常是 area。Estimator 是把样本值和 PDF 合成积分估计的规则。期望值表示重复无限多次随机实验后的平均结果。

Monte Carlo Integration 在渲染中的应用远超反射方向采样。像素抗锯齿会在 pixel footprint 内采样;soft shadow 会在面积光表面采样;depth of field 会在 lens aperture 上采样;motion blur 会在 shutter time 上采样;Path Tracing 会把每次反弹的 BSDF 事件串成高维路径采样。统一的判断规则始终相同:先确认采样域,再确认 PDF 单位,再确认 estimator 中所有贡献项是否与该 PDF 对齐。

对于 diffuse room 的白墙,Lambert BRDF 是常数,cos⁡θi\cos\theta_i 决定斜方向贡献较低。uniform hemisphere sampling 会给半球每个方向相同概率;cosine-weighted sampling 会让接近法线方向的样本更密集。两者都能形成正确 estimator,但后者让样本分布更接近积分中的大贡献区域,所以同样 sample count 下噪声更低。

这条规则也解释了 Path Tracing 的核心工程边界。样本少时,画面有颗粒感;这表示 estimator 的方差已经进入可见范围。PDF 漏记、单位混用、权重写错时,画面会整体变暗、变亮或出现角度相关错误;这属于 biased estimator,继续加样本也会稳定到错误结果。

36.2 样本分布与方差的影响​

方差描述多次估计结果围绕真实积分值摆动的程度。对无偏 estimator 来说,样本数 nn 增加时 variance 按 1/n1/n 下降,可见误差大致按 1/n1/\sqrt{n} 下降。这意味着把 64 samples per pixel 提升到 256 samples per pixel,噪声不会按四倍消失;它通常只按平方根速度改善。渲染优化的主要目标因此转向采样分布:让有限样本更频繁落在贡献高的位置。

在 diffuse room 场景中,uniform sampling 的问题是样本覆盖均匀,贡献分布却不均匀。墙面上方的小面积光只占很小方向范围,uniform hemisphere sampling 很少命中它;命中时贡献又很大,于是画面出现亮点和慢收敛阴影。cosine-weighted sampling 解决 diffuse BRDF 与 cosine 项的匹配问题,但它仍然缺少光源位置知识。light sampling 直接在光源上抽点,能显著降低小光源直接光噪声。

BRDF sampling 的目标是匹配材质反射分布。粗糙金属球的高光有明确方向性,uniform sampling 会把大量 ray 发向低贡献方向;按 BRDF 采样时,ray 更集中在镜面瓣附近,反射高光收敛更快。材质越 glossy,BRDF 分布越尖锐,BRDF sampling 的优势越明显。对于纯 diffuse 表面,BRDF sampling 常退化成 cosine-weighted sampling。

不同采样策略解决的是不同因子。渲染方程的 integrand 通常是 Li×fr×cos⁡θ×VL_i \times f_r \times \cos\theta \times V,其中 VV 是可见性。light sampling 匹配 LiL_i 的空间分布,BRDF sampling 匹配 frf_r,cosine-weighted sampling 匹配 cos⁡θ\cos\theta。单一策略只能贴近其中一部分。Multiple Importance Sampling(MIS)把多个策略的样本按 PDF 权重合成,核心用途是降低某个策略在低概率高贡献位置产生的极端样本。

采样策略采样域适合的场景典型噪声表现主要检查项
Uniform hemisphere命中点半球方向调试基线、验证 estimator小光源和 glossy 区域噪声高PDF 是否为半球 solid angle 常数
Cosine-weighted命中点半球方向Lambert diffuse 表面diffuse 面更平滑,小光源仍慢BRDF、cosine、PDF 是否互相抵消
BRDF samplingBSDF 出射事件glossy、metal、rough specular高光更稳,直接光可能漏采BSDF sample 与 BSDF eval 的 PDF 是否一致
Light sampling光源表面或光源方向小面积光、直接阴影直接光更稳,间接 glossy 仍难area PDF 与 solid angle PDF 转换是否正确
MIS多个采样技术合成小光源加 glossy 材质firefly 降低,整体收敛更均衡所有技术的 PDF 是否都按同一采样域评估

这个表在调试时可以直接作为判断顺序。先用 uniform sampling 建立基线,确认画面能随 samples per pixel 增加而收敛;再切 cosine-weighted sampling,观察 diffuse 墙面的噪声是否下降;随后开启 light sampling,观察小光源阴影边缘是否稳定;最后对 glossy 球体比较 BRDF sampling 和 MIS。每一步只改一个策略,亮度均值应保持在同一量级,噪声分布应发生可解释变化。

采样分布也受随机数质量影响。相邻像素使用相关随机序列时,噪声会形成条纹、网格或时间闪烁。低差异序列、分层采样和蓝噪声分布都在控制样本的空间分布。它们的共同目标是让样本覆盖更均匀,同时维持 estimator 的权重规则。工程上可以把随机数种子、sample index、pixel coordinate、bounce index 分离混合,减少跨维度相关性。

36.3 在 Path Tracing 中使用 Monte Carlo​

Path Tracing 中的 Monte Carlo estimator 以路径为单位工作。一次 camera ray 命中墙面后,shader 评估材质,抽取下一条方向,把当前贡献乘进 path throughput,再继续追踪。Path throughput 是沿路径累计的能量权重,通常包含 BRDF 值、cosine 项、PDF 倒数、材质反射率和 Russian roulette 存活概率的倒数。它表示当前路径后续 radiance 对相机像素的乘法系数。

以下流程图展示一条样本路径如何进入 estimator。图的边界是单个 pixel sample;它不包含 BVH 构建、denoiser 或后处理。

这条路径中有两个常见 estimator。第一个是 next event estimation(NEE):在命中点直接抽取光源点,发 shadow ray 验证可见性,把直接光贡献写入样本颜色。第二个是 BSDF continuation:从 BSDF 分布中抽取下一条 ray,把 throughput 更新后进入下一次反弹。NEE 提高直接光收敛速度,BSDF continuation 保留间接光和 glossy 路径。

简化的 path tracing 循环可以写成如下伪代码。它展示权重的最小结构,省略 BVH、纹理过滤、法线贴图和多光源选择细节。

Vec3 trace_path(Ray ray, RNG& rng) {
Vec3 radiance = Vec3(0.0f);
Vec3 throughput = Vec3(1.0f);

for (int depth = 0; depth < maxDepth; ++depth) {
Hit hit = trace_scene(ray);
if (!hit.valid) {
radiance += throughput * sample_environment(ray.direction);
break;
}

Material mat = hit.material;
radiance += throughput * mat.emission(ray.direction);

DirectSample light_sample = sample_light(hit.position, rng);
if (light_sample.pdf > 0.0f && visible(hit.position, light_sample.position)) {
Vec3 wi = normalize(light_sample.position - hit.position);
float cos_theta = max(dot(hit.normal, wi), 0.0f);
Vec3 brdf = eval_bsdf(mat, -ray.direction, wi, hit.normal);
radiance += throughput * light_sample.radiance * brdf * cos_theta / light_sample.pdf;
}

BsdfSample bsdf_sample = sample_bsdf(mat, -ray.direction, hit.normal, rng);
if (bsdf_sample.pdf <= 0.0f || is_black(bsdf_sample.weight)) {
break;
}

throughput *= bsdf_sample.weight * abs(dot(hit.normal, bsdf_sample.direction)) / bsdf_sample.pdf;
ray = spawn_ray(hit.position, bsdf_sample.direction, hit.normal);

if (depth >= rrStartDepth) {
float survival = clamp(max_component(throughput), 0.05f, 0.95f);
if (rng.next_float() > survival) {
break;
}
throughput /= survival;
}
}

return radiance;
}
判断链条

这段伪代码有三个关键检查点。

01

步骤 1

直接光和 BSDF continuation 使用了不同采样技术,若开启 MIS,需要把 direct-light sample 和 BSDF sample 都放入同一权重公式中。

02

步骤 2

throughput 每次更新都必须除以当前采样技术的 PDF;漏除会让高概率方向贡献过大,重复除以 PDF 会让画面能量异常。

03

步骤 3

Russian roulette 终止路径后,存活路径要除以 survival probability;这样路径数量下降,期望值保持一致。

Sample accumulation 发生在像素层。每个 pixel sample 返回一个 radiance 估计值,frame buffer 保存平均值:accumulated = accumulated + (sample - accumulated) / sampleCount。累积必须在线性颜色空间进行,最终显示前再做 tone mapping 和 gamma / OETF 编码。把 sRGB 编码后的颜色拿来平均,会让暗部和中间调产生系统性偏差。

在 GPU path tracer 中,上述循环可能写在 ray generation shader、closest hit shader 或 compute shader 中。具体 API 不改变 estimator 规则,但会改变资源组织:随机数状态通常放在 buffer 或纹理中,accumulation target 通常是 HDR texture,材质参数来自 structured buffer 或 descriptor table,路径状态可能在 wavefront path tracer 中被拆成多个 queue。调试时先看 estimator 字段,再看 API 绑定和同步;采样数学正确后,资源错绑才有稳定定位基础。

36.4 常见误区与偏差校正技术​

Monte Carlo 渲染的错误可以分成两类:高方差和偏差。高方差表现为噪声随 sample count 增加逐步下降,长时间累积后趋向正确亮度。偏差表现为结果稳定到错误亮度、错误色彩或错误空间分布。排查顺序应先判断亮度均值,再判断噪声形态,最后检查随机数与采样策略。

PDF 漏乘或漏除是最常见的偏差来源。每个 sample 都来自某个采样域,estimator 必须用该域下的 PDF 加权。面积光采样尤其容易出错:如果在光源面积上均匀抽点,初始 PDF 是 area measure;命中点 shading 往往按 direction measure 处理,需要用距离平方和夹角项转换到 solid angle measure。单位未对齐时,靠近光源和远离光源的亮度比例会异常。

颜色空间错误会污染 sample accumulation。Path tracing 的 radiance、throughput、albedo 和 HDR accumulation 都应在线性空间中计算。纹理若以 sRGB 存储,采样后需要转换成线性值再进入 BRDF。最终写屏幕前进行 tone mapping 和显示编码。调试时可以输出一张 linear albedo AOV 和一张 accumulated HDR AOV,确认材质输入和帧缓冲累积没有被同一条 sRGB 曲线重复处理。

随机数相关性会把噪声从细颗粒变成结构化图案。典型症状是墙面上出现固定网格、斜线、低频色块,或者相机静止时噪声在时间上闪烁。稳定做法是把 pixel coordinate、sample index、bounce index 和 dimension index 混合成独立维度,使用同一像素内的 sample sequence 推进路径。可视化 random dimension 或 first-bounce direction 能快速暴露相关性。

Firefly 是极少数样本带来极大贡献的亮点。它常出现在 glossy 材质、小光源、间接 caustics、低 PDF 高 radiance 的路径上。直接 clamp radiance 可以压低 firefly,但会引入 bias,因为 estimator 的高贡献尾部被截断。更稳定的处理顺序是先检查 PDF 单位和 MIS 权重,再增加 light sampling 或 BRDF sampling 的覆盖,随后使用 path throughput 上限或 luminance clamp 作为可控艺术取舍,并记录它改变了能量守恒。

采样不足与 estimator 错误需要分开判断。把 sample count 从 16 提升到 1024 后,如果噪声明显下降且平均亮度稳定,问题主要是方差。若亮度随采样策略切换大幅变化,或高 sample count 后仍偏暗、偏亮、偏色,问题更可能来自 PDF、BRDF eval、颜色空间、法线方向或可见性测试。这个判断优先于主观观察,因为噪声图案很容易掩盖系统性偏差。

Russian roulette 也会形成偏差。路径终止概率如果取决于 throughput,存活路径必须除以 survival probability。若只丢弃路径,不补偿存活路径权重,间接光会偏暗;若 survival 太低,少量存活路径权重过大,firefly 增加。工程上常在若干反弹后启用 Russian roulette,并把 survival 限制在合理范围内,让性能节省和方差增长保持可控。

36.5 采样策略的效果对比​

采样策略对比应使用固定场景、固定 sample count、固定曝光和固定随机序列。diffuse room 是合适基线,因为它包含大面积 diffuse 墙、小面积光、glossy 球和玻璃球,可以同时观察直接光、间接光、高光和困难路径。对比时每次只改一项策略,并输出平均亮度、最大样本贡献、PDF heatmap 或 first-bounce direction visualization。

在 diffuse 墙面上,uniform hemisphere sampling 会产生均匀方向覆盖,但墙面主要贡献来自法线附近和可见光源方向。cosine-weighted sampling 会让第一反弹 diffuse 噪声下降,墙面渐变更平滑。若从 uniform 切到 cosine 后整体亮度明显变化,应检查 Lambert BRDF 的 1/π1/\pi、cosine 项和 PDF cos⁡θ/π\cos\theta / \pi 是否配套使用。

在 glossy material 上,BRDF sampling 通常胜过 cosine-weighted sampling。粗糙金属球的反射集中在镜面瓣附近,按 BRDF 分布采样后,高光区域能更快稳定。roughness 降低时,高光分布变窄,错误 PDF 会放大亮点。调试时可以输出 sampled direction 与 perfect reflection direction 的夹角分布,确认采样分布随 roughness 收缩。

在 small light 场景中,light sampling 对直接光贡献最大。小面积光在命中点半球中只占很小 solid angle,BSDF sampling 很少命中光源,阴影和亮斑会长期有噪声。NEE 直接抽光源点后,每个命中点都能估计一次直接光;配合 shadow ray,可见性项变成确定检查。若 NEE 开启后阴影边界有棋盘或漏光,优先检查 shadow ray bias、法线偏移和光源背面判定。

Caustics 是单向 Path Tracing 的困难区域。玻璃球把小光源能量聚焦到地面,贡献来自少量折射路径。相机出发的 BSDF sampling 很难主动命中这些路径,light sampling 也难以穿过正确 specular chain。这个场景的结论是边界判断:Monte Carlo estimator 没有失效,但当前采样技术覆盖高贡献路径的概率极低。工程上可用 bidirectional path tracing、photon mapping、manifold sampling 或 reservoir 技术改善;本章只要求读者能识别这是采样策略覆盖不足,而非简单增加 bounce depth 能稳定解决的问题。

一个可复用的对比流程如下:先锁定曝光、tone mapping 和随机种子;再用 uniform 策略渲染基线;随后分别启用 cosine-weighted、BRDF sampling、light sampling 和 MIS;每一步记录 mean luminance、sample variance、max contribution 和视觉噪声区域。若噪声下降且均值稳定,策略有效。若噪声下降伴随能量明显偏移,应回到 PDF 和 estimator 检查。若均值稳定但 firefly 仍多,应增加覆盖高贡献尾部的采样技术,再考虑有记录的 biased clamp。

最终判断要落到资源与管线。采样策略本身运行在 shader 中,PDF、throughput、radiance、random state 和 accumulation target 是可观察对象。RenderDoc 或 API debugger 能检查 texture / buffer 绑定、HDR render target 格式和 shader 常量;自定义 AOV 能检查 per-sample PDF、throughput 和 first-bounce direction。工具回答的是“数据是否按预期进入 shader”,采样对比回答的是“estimator 是否按预期收敛”。两者结合,才能把噪声问题从画面感受转成工程证据。

最小自检任务​

动手自检先独立判断

给定一个简化 Path Tracer:场景是一个白色 diffuse room,天花板上有一盏很小的面积光,地面有一个粗糙金属球。你可以在四种模式中切换:uniform hemisphere sampling、cosine-weighted sampling、BRDF sampling、light sampling。所有模式使用相同 sample count、相同曝光、相同线性 HDR accumulation。请判断每种模式最可能改善哪一类噪声;如果 uniform 与 cosine-weighted 的平均亮度不同,应优先检查哪些项;如果 light sampling 开启后直接阴影稳定但金属高光仍有 firefly,应如何继续排查。

本章知识点总结​

  • 积分目标

    Path Tracing 用有限随机样本估计渲染方程中的高维光照积分。

  • 样本含义

    Sample 是一次具体随机事件,可以来自像素、方向、光源、时间或镜头采样域。

  • PDF 角色

    PDF 描述样本在对应采样域中的概率密度,并决定 estimator 的权重分母。

  • 估计规则

    Monte Carlo estimator 通过样本贡献除以 PDF,再对多次样本求平均来逼近积分。

  • 方差来源

    噪声来自有限样本的随机摆动,样本数增加时可见误差通常按平方根速度下降。

  • 分布匹配

    采样分布越贴近 integrand 的高贡献区域,同样 sample count 下方差越低。

  • 策略边界

    cosine-weighted 匹配 diffuse cosine 项,BRDF sampling 匹配材质反射瓣,light sampling 匹配直接光分布。

  • MIS 作用

    MIS 把多个采样技术按 PDF 权重合成,用来降低单一策略在低概率高贡献位置的极端样本。

  • Throughput

    Path throughput 累计 BRDF、cosine、PDF、反射率和路径存活概率,表示后续 radiance 对像素的乘法权重。

  • NEE 路径

    Next event estimation 在命中点直接抽取光源并发 shadow ray,主要改善小光源直接光噪声。

  • 偏差判断

    高 sample count 后仍稳定偏亮、偏暗或偏色,通常应检查 PDF、颜色空间、法线和可见性。

  • 颜色累积

    Radiance 与 accumulation target 应使用线性空间,显示编码应放在 tone mapping 之后。

  • Firefly 处理

    Firefly 优先通过 PDF 校验、MIS 和更合适采样策略处理,clamp 属于带偏差的可控取舍。

  • 对比流程

    采样策略对比应固定场景、sample count、曝光和随机种子,每次只改变一个采样变量。

  • 工具证据

    AOV、frame capture 和 API debugger 分别帮助观察 PDF、throughput、资源绑定和 HDR 累积状态。