当前位置: 首页 > news >正文

Games101学习笔记 Lecture16 Ray Tracing 4 (Monte Carlo Path Tracing)

Lecture16 Ray Tracing 4 (Monte Carlo Path Tracing

  • 一、蒙特卡洛积分 Monte Carlo Integration
  • 二、路径追踪 Path tracing
    • 1.Whitted-Style Ray Tracing's Problems
    • 2.只考虑直接光照时
    • 3.考虑全局光照
      • ①考虑物体的反射光
      • ②俄罗斯轮盘赌 RR (得到正确shade函数)
      • ③射线生成(追踪足够多的path)
      • ④对光源进行采样
        • 推导
      • ⑤结束

一、蒙特卡洛积分 Monte Carlo Integration

  • 为什么:用于解决难以求解的积分问题
  • 是什么/怎么办:在x轴上随机采样积分,而不是均匀采样
    在这里插入图片描述
  • 函数 f(x) 在区间 [a,b] 上的定积分 ∫ a b f ( x ) d x \int_{a}^{b}f(x)dx abf(x)dx
  • 随机变量 X i ∼ p ( x ) X_{i} \sim p(x) Xip(x)
  • 得到蒙特卡洛积分为 F N = 1 N ∑ i = 1 N f ( X i ) p ( X i ) F_{N} = \frac{1}{N} \sum_{i=1}^{N} \frac{f(X_{i})}{p(X_{i})} FN=N1i=1Np(Xi)f(Xi)

二、路径追踪 Path tracing

1.Whitted-Style Ray Tracing’s Problems

  • 只处理镜面或者透明物体的反射和折射,在漫反射时就停止了,忽略了物体之间的反射
  • 在glossy金属材质时,不应该全部都反射
  • 但是 渲染方程是对的
    • L r ( p , ω r ) L_{r}(p, ω_{r}) Lr(p,ωr) = L e ( p , ω o ) L_{e}( p, ω_{o}) Le(p,ωo) + ∫ Ω + L r ( p , − ω i ) f r ( p , ω i , ω r ) ( n ⋅ ω i ) d w i \int_{Ω^+}^{} L_{r}( p , -ω_{i}) f_{r}( p , ω_{i} ,ω_{r}) ( n \cdot ω_{i})dw_{i} Ω+Lr(p,ωi)fr(p,ωi,ωr)(nωi)dwi

2.只考虑直接光照时

  • L o ( p , ω o ) L_{o}(p, ω_{o}) Lo(p,ωo) = ∫ Ω + L i ( p , ω i ) f r ( p , ω i , ω o ) ( n ⋅ ω i ) d w i \int_{Ω^+}^{} L_{i}( p , ω_{i}) f_{r}( p , ω_{i} ,ω_{o}) (n\cdotω_{i})dw_{i} Ω+Li(p,ωi)fr(p,ωi,ωo)(nωi)dwi 用蒙特卡罗积分求解 F N = 1 N ∑ i = 1 N f ( X i ) p ( X i ) F_{N} = \frac{1}{N} \sum_{i=1}^{N} \frac{f(X_{i})}{p(X_{i})} FN=N1i=1Np(Xi)f(Xi)
  • f(x) 是 L i ( p , ω i ) f r ( p , ω i , ω o ) ( n ⋅ ω i ) L_{i}(p,ω_{i})f_{r}(p,ω_{i},ω_{o})(n\cdotω_{i}) Li(p,ωi)fr(p,ωi,ωo)(nωi)
  • pdf(概率密度函数)是 “对半球进行采样” p ( ω i ) = 1 2 Π p(ω_{i}) = \frac{1}{2Π} p(ωi)=1
  • 得到式子 L o ( p , ω o ) L_{o}(p, ω_{o}) Lo(p,ωo) = 1 N ∑ i = 1 N L i ( p , ω i ) f r ( p , ω i , ω o ) ( n ⋅ ω i ) p ( ω i ) \frac{1}{N} \sum_{i=1}^{N} \frac{L_{i}(p,ω_{i})f_{r}(p,ω_{i},ω_{o})(n\cdotω_{i})}{p(ω_{i})} N1i=1Np(ωi)Li(p,ωi)fr(p,ωi,ωo)(nωi) 是正确的直接光照公式
    在这里插入图片描述

3.考虑全局光照

①考虑物体的反射光

在这里插入图片描述

  • Q同样也反射光线到P上(方向上也相当于P到Q点的光)
    在这里插入图片描述
  • Q 的直接光照 = Q 到 P 的反射
  • 但是这样做光线会有 指数级增长
    在这里插入图片描述
  • 假设只有一根光线时(只选择一个方向 ω i ω_{i} ωi
    在这里插入图片描述
  • 但递归需要停止,不然计算量无限增加(但又想保证质量)—— 俄罗斯轮盘赌 RR

②俄罗斯轮盘赌 RR (得到正确shade函数)

  • 通过随机概率选择是否继续追踪光线,可以有效地控制光线数量,并避免能量损失过多
  • 实现步骤
    • 设置一个概率 P
    • 以概率 P 发射光线:若随机数< P,则发射并计算光线亮度 Lo
    • 以概率 1-P 不发射光线:若随机数 ≥ P,不发射光线,认为亮度为0
    • 能量补偿:由于第三步会导致能量损失,为了弥补损失,需要将得到的光线亮度 Lo 除以 P,即 Lo/P,可以保证期望值不变
      在这里插入图片描述

③射线生成(追踪足够多的path)

  • 1.在 每个像素内均匀选择多个采样点
  • 2.并为每个采样点发射一条光线,
  • 3.然后使用路径追踪算法 计算每条光线的亮度
  • 4.将他们 平均起来得到像素最终亮度
    在这里插入图片描述

④对光源进行采样

在这里插入图片描述

  • 由于光源相对于半球来说比较小,所以 每个采样点发射的光线中,只有很少一部分会击中光源(有很少的光会从光源击中半球上被采样到的点),用均匀采样会导致浪费
  • 光源对场景的贡献亮度远远大于了其他方向,应该 更多地采样光源方向,提高效率
推导
  • 假设光源面积为 A —— pdf = 1 A \frac{1}{A} A1
  • 渲染方程在立体角上的积分 Lo = ∫ L i ⋅ f r ⋅ c o s d ω \int Li\cdot fr\cdot cos dω Lifrcosdω —— 这个积分代表场景中一点的亮度Lo 是半球上 所有方向的光线亮度和反射率的积分
  • 为了使用蒙特卡洛积分来估计场景中一点的亮度Lo,我们需要将渲染方程转化为对光源的积分
  • 数学的转化,需要找到 立体角 dω 和光源表面积 dA 之间的关系 —— 光源面积立体角方向在球面上的投影
  • 立体角的求法:球面面积法 ω = S / r 2 ω = S/r^2 ω=S/r2 —— d ω = d A c o s θ ′ ∣ x ′ − x ∣ 2 dω = \frac{dA cosθ'}{|x'-x|^2} dω=xx2dAcosθ
    在这里插入图片描述
  • 此时重写渲染方程 Lo = ∫ A L i ( x , ω i ) f r ( x , ω i , ω o ) c o s θ c o s θ ′ ∣ x ′ − x ∣ 2 d A \int_{A}^{} L_{i}( x, ω_{i}) f_{r}( x, ω_{i} ,ω_{o})\frac{cosθcosθ'}{|x'-x|^2}dA ALi(x,ωi)fr(x,ωi,ωo)xx2cosθcosθdA
  • 可以写出蒙特卡洛积分 f(x) = L i ( x , ω i ) f r ( x , ω i , ω o ) c o s θ c o s θ ′ ∣ x ′ − x ∣ 2 L_{i}( x, ω_{i}) f_{r}( x, ω_{i} ,ω_{o})\frac{cosθcosθ'}{|x'-x|^2} Li(x,ωi)fr(x,ωi,ωo)xx2cosθcosθ,pdf = 1/A

⑤结束

  • 来自于光源的进行光源采样,计算直接光照;其他非光源的就需要RR,计算间接光照
    在这里插入图片描述
  • 还得判断光源有没有被遮挡
    在这里插入图片描述

相关文章:

Games101学习笔记 Lecture16 Ray Tracing 4 (Monte Carlo Path Tracing)

Lecture16 Ray Tracing 4 (Monte Carlo Path Tracing 一、蒙特卡洛积分 Monte Carlo Integration二、路径追踪 Path tracing1.Whitted-Style Ray Tracings Problems2.只考虑直接光照时3.考虑全局光照①考虑物体的反射光②俄罗斯轮盘赌 RR (得到正确shade函数&#x…...

数据结构概念

文章目录 1. 概念 2. 数据结构和算法的关系 3. 内存 4. 数据的逻辑结构 5. 数据的存储结构 1. 顺序存储结构 2. 链式存储结构 3. 索引存储结构 4. 散列存储结构 6. 数据的运算 1. 概念 定义1(宏观): 数据结构是为了高效访问数据而…...

Windows 下载安装ffmpeg

下载地址 https://ffmpeg.org/download.html 测试 管理员方式打开控制台,输入ffmpeg测试 配置环境变量...

Java AI 编程助手

Java AI 编程助手是指利用人工智能技术来增强和优化Java开发过程中的各种任务和活动。它可以涵盖从代码生成和分析到测试和优化的多个方面,帮助开发人员提高生产效率、降低错误率,并优化代码质量和性能。 ### 功能和特点 1. **智能代码生成和建议**&am…...

day10:01集合

1 作用 Python中的集合(Set)是一个无序的、不包含重复元素的容器。它主要用于去重、成员测试、以及执行数学上的集合运算(如并集、交集、差集和对称差集)等操作。集合的内部实现通常基于哈希表,这提供了快速的成员测试…...

03浅谈提示工程、RAG和微调

03浅谈提示工程、RAG和微调 提示词Prompt Prompt(提示词)是指在使用大模型时,向模型提供的一些指令或问题。这些指令作为模型的输入,引导模型产生所需要的输出。例如,在生成文本时,Prompt可能是一个问题或…...

硅纪元视角 | AI纳米机器人突破癌症治疗,精准打击肿瘤细胞

在数字化浪潮的推动下,人工智能(AI)正成为塑造未来的关键力量。硅纪元视角栏目紧跟AI科技的最新发展,捕捉行业动态;提供深入的新闻解读,助您洞悉技术背后的逻辑;汇聚行业专家的见解,…...

刷代码随想录有感(125):动态规划——最长公共子序列

题干&#xff1a; 代码&#xff1a; class Solution { public:int longestCommonSubsequence(string text1, string text2) {vector<vector<int>>dp(text1.size() 1, vector<int>(text2.size() 1, 0));for(int i 1; i < text1.size(); i){for(int j …...

Linux和mysql中的基础知识

cpu读取的指令大部分在内存中&#xff08;不考虑缓存&#xff09; 任何程序在运行之前都的加入到内存。 eip->pc指针&#xff0c;指明当前指令在什么位置。 代码大概率是从上往下执行的&#xff0c;基于这样的基本理论。既可以将一部分指令加载到CPU对应的缓存中&#xf…...

ArcGIS Pro SDK (七)编辑 12 编辑模版

ArcGIS Pro SDK &#xff08;七&#xff09;编辑 12 编辑模版 文章目录 ArcGIS Pro SDK &#xff08;七&#xff09;编辑 12 编辑模版1 在图层上按名称查找编辑模板2 查找属于独立表的表模板3 当前模板4 更改模板的默认编辑工具5 隐藏或显示模板上的编辑工具6 使用图层创建新模…...

数据结构底层之HashMap(面经篇1)

1 . 讲一下hashmap的数据结构 HashMap是一种基于哈希表实现的数据结构&#xff0c;通常用于关联键值对&#xff0c;其中键是唯一的&#xff0c;而值可以重复。在Java中&#xff0c;HashMap是java.util.Map接口的一个实现&#xff0c;它提供了快速的查找、插入和删除操作。 数据…...

昇思学习打卡-6-基于MindSpore的GPT2文本摘要

第一次近距离接触GPT&#xff0c;了解了tokenizers这个分词库&#xff0c;感觉NLP和CV对比起来&#xff0c;处理流程基本一致&#xff0c;都是数据集加载和处理&#xff0c;模型构建、选择学习率、模型训练&#xff0c;进而可以使用模型进行推理。 不同的是&#xff0c;NLP可能…...

代码随想录算法训练营第2天|LeetCode977,209,59

977.有序数组平方 题目链接&#xff1a; 977. 有序数组的平方 - 力扣&#xff08;LeetCode&#xff09; 文章讲解&#xff1a;代码随想录 视频讲解&#xff1a; 双指针法经典题目 | LeetCode&#xff1a;977.有序数组的平方_哔哩哔哩_bilibili 第一想法 暴力算法肯定是先将元素…...

Web前端开发——HTML快速入门

HTML&#xff1a;控制网页的结构CSS&#xff1a;控制网页的表现 一、什么是HTML、CSS &#xff08;1&#xff09;HTML &#xff08;HyperText Markup Languaqe&#xff1a;超文本标记语言&#xff09; 超文本&#xff1a;超越了文本的限制&#xff0c;比普通文本更强大。除了…...

浅谈http协议及常见的面试题

1、浅谈http协议 HTTP&#xff08;Hypertext Transfer Protocol&#xff09;超文本传输协议&#xff0c;是互联网上应用最为广泛的一种网络协议&#xff0c;所有的WWW文件都必须遵守这个标准。它是基于TCP/IP通信协议来传递数据&#xff08;HTML文件、图片文件、查询结果等&am…...

LabVIEW自动探头外观检测

开发了一套基于LabVIEW的软件系统&#xff0c;结合视觉检测技术&#xff0c;实现探头及连接器外观的自动检测。通过使用高分辨率工业相机、光源和机械手臂&#xff0c;系统能够自动定位并检测探头表面的细微缺陷&#xff0c;如划痕、残胶、异色、杂物等。系统支持多种探头形态&…...

搏击与防卫笔记

文章目录 降龙十八掌 咏春个人防身笔记防卫直拳应对耳光防卫摆拳坐马冲拳 本来想以武术为标题的&#xff0c;想了想武术这个标题太大太深&#xff0c;自己连一知半解都算不上&#xff0c;就谢为搏击与防卫吧。 每个男孩都有个武侠梦&#xff0c;独步江湖&#xff0c;仗剑走天涯…...

泰国内部安全行动司令部数据泄露

BreachForums 论坛的一名成员宣布发生一起重大数据泄露事件&#xff0c;涉及泰国内部安全行动司令部 (ISOC)&#xff0c;该机构被称为泰国皇家武装部队的政治部门。 目前&#xff0c;我们无法准确确认此次泄露的真实性&#xff0c;因为该组织尚未在其网站上发布有关该事件的任…...

MATLAB算法实战应用案例精讲-【数模应用】分层聚类(附MATLAB、python和R语言代码实现)

目录 前言 几个高频面试题目 什么情况下选择分层聚类,什么情况下选择K-mean聚类呢?两种模型的好坏如何比较? 算法原理 SPSSAU 案例分析 SPSSPRO 1、作用 2、输入输出描述 3、案例示例 4、案例数据 5、案例操作 6、输出结果分析 7、注意事项 8、模型理论 分层…...

九、函数的声明和定义

函数声明&#xff1a; 1. 告诉编译器有一个函数叫什么&#xff0c;参数是什么&#xff0c;返回类型是什么。但是具体是不是存在&#xff0c;函数 声明决定不了。 2. 函数的声明一般出现在函数的使用之前。要满足先声明后使用。 3. 函数的声明一般要放在头文件中的。 定义的函…...

12.解决刷机 99% 故障:Bootloop 修复 + 分区表重建 + 底层短路触发技巧

摘要 本文面向具备基础电子电路知识与操作系统概念的工程师,系统阐述主流品牌手机刷机与维修的技术体系。涵盖高通、联发科、苹果A系列芯片平台的底层引导流程,提供完整的Fastboot与Download模式操作代码,以及硬件级短路检测与分区表修复方案。所有步骤均经过多机型验证,可…...

无Root安卓隐私检测:Frida+Camille实战指南

1. 为什么“不Root也能做隐私检测”这件事值得大书特书 去年在给一家金融类App做第三方合规评估时&#xff0c;客户明确提了一条硬性要求&#xff1a;“所有检测必须在未Root的量产机上完成&#xff0c;测试环境要完全模拟真实用户场景。”当时我第一反应是皱眉——毕竟市面上…...

nnAudio:基于PyTorch的GPU音频处理革命 - 10分钟快速入门指南

nnAudio&#xff1a;基于PyTorch的GPU音频处理革命 - 10分钟快速入门指南 【免费下载链接】nnAudio Audio processing by using pytorch 1D convolution network 项目地址: https://gitcode.com/gh_mirrors/nn/nnAudio nnAudio是一款基于PyTorch 1D卷积神经网络的GPU音频…...

别再为Unity视频播放发愁了!Video Player从创建到避坑,保姆级教程带你搞定

Unity视频播放全攻略&#xff1a;从基础配置到高级避坑技巧在游戏开发中&#xff0c;视频播放功能看似简单&#xff0c;却暗藏诸多玄机。无论是开场动画、过场剧情还是UI背景&#xff0c;流畅的视频体验直接影响玩家第一印象。本文将带你深入Unity Video Player的每一个细节&am…...

Gemini 3.5破解50年数学猜想,数学家紧急复核

AI 攻克人类智慧高地&#xff1f;Gemini 3.5 传出“破解 50 年数学猜想”重大突破&#xff0c;数学家&#xff1a;正在紧急复核&#xff01;2026年伊始&#xff0c;科技界与学术界共同迎来了一场堪称“地震级”的重磅新闻。据权威学术预印本网站及谷歌 DeepMind 团队透露&#…...

2026 中国 GEO 优化定制技术解析:企业资质代办的核心作用深度测评

随着生成式人工智能技术的快速普及&#xff0c;大语言模型已成为企业获取线上流量、塑造品牌认知的核心渠道。GEO&#xff08;Generative Engine Optimization&#xff0c;生成引擎优化&#xff09;作为 AI 时代的新兴优化领域&#xff0c;正在重构企业的线上可见性竞争规则。然…...

从‘兔子’到‘钢板’:手把手教你用Open3D和Python为工业零件做‘表面体检’(附完整数据集)

从‘兔子’到‘钢板’&#xff1a;工业级点云缺陷检测实战指南当斯坦福大学的兔子点云模型在学术论文中反复出现时&#xff0c;许多工程师会产生一种错觉——似乎所有三维扫描数据都该如此干净规整。直到第一次拿到车间里沾满油污的金属件扫描结果&#xff0c;那些噪点、缺失和…...

Kali Linux忘记root密码别慌!两种方法(登录态/非登录态)手把手教你重置

Kali Linux忘记root密码的终极恢复指南&#xff1a;从原理到实战当你正专注于一个关键的安全测试项目&#xff0c;突然发现无法执行需要root权限的操作——这种场景对Kali Linux用户来说并不陌生。作为渗透测试和网络安全研究的标配系统&#xff0c;Kali Linux的root账户是系统…...

别再只用XGBoost了!用Python手把手教你玩转Stacking和Blending模型融合

别再只用XGBoost了&#xff01;用Python手把手教你玩转Stacking和Blending模型融合当你在Kaggle竞赛中反复调整XGBoost参数却始终无法突破0.01的AUC提升&#xff0c;或者在业务场景中发现单一模型对某些特殊样本总是预测失误时&#xff0c;或许该换个思路了——就像交响乐团需要…...

【深度解析】从 Mythos 到 DeepSeek 降价:大模型工程化选型、成本控制与 API 实战

摘要 近期 AI 大模型市场持续加速迭代&#xff1a;Anthropic Mythos 进入部署测试信号增强&#xff0c;OpenAI、Gemini 系列持续升级&#xff0c;DeepSeek 则通过永久降价重塑开发成本结构。本文从工程视角解析模型发布信号、Agentic 系统成本模型&#xff0c;并给出 OpenAI 兼…...