路径追踪技术（Path tracing，PT）已经是当下工业中离线渲染使用的主流技术，不管是商业渲染器如皮克斯的RenderMan，Solid Angle的Arnold等，还是迪士尼的in-house渲染器Hyperion以及Weta Digital的Manuka都是基于路径追踪技术。路径追踪算法非常简单，它首先将光照方程表述为面积积分的形式，然后一束光线从光源经过各个物体表面及内部多次交互（反射，折射，散射）后进入图像平面的贡献值（即辐射照度）被转换为这些表面交互点形成的路径的一个积分，其被积函数为这些表面的双向散射系数（BSDF），顶点之间的积分变量变化（change of variables）以及顶点之间可见性的乘积。在统计中，积分可以很简单地使用蒙特卡洛方法进行估计，因此光照传输的问题就转化为对场景进行路径采样，然后对每条路径的贡献值进行平均求和的蒙特卡洛积分计算。
尽管自基本的路径追踪算法被提出以来，各种增强改进的方法被整合进来，然而上述路径追踪技术的“基础架构”几乎没有多少实质性的变化。对于任何行业，工业中主流的技术一般不是当下最先进的技术，而是最成熟可工业化的方案，当前工业中的路径追踪技术优化主要集中在优化算法的执行效率，主要是针对处理器硬件架构进行优化，例如针对缓存系统的优化，增强数据局部性和指令局部性，以及改进光线连贯性（ray coherence）使其能够利用SIMD指令进行高效计算等，这方面比较突出的是迪士尼的Hyperion渲染器，一些渲染器的优化更是几乎能达到某些场景复杂度范围内实时渲染，例如Embree。
然而以上这些内容却不是本文关注的重点（上述内容会在thegibook中详细讨论），本文我们要讨论的是一些路径追踪算法基础架构层面的改进，这些算法还很少出现在当前工业解决方案中，但是确实未来的重要发展趋势。
传统的路径追踪算法是一个单纯的积分问题，因此可以使用蒙特卡洛方法来估计，然而蒙特卡洛方法的每个抽样是独立的，因此很难有效快速对一些比较困难的路径进行采样，一些很难被采样的路径需要巨量的采样数才能达到“令人满意”的结果，这导致非常缓慢的收敛速度。尽管开始的收敛速度非常快（4倍采样数量可以减少1/2的误差），但是越到后面会花费更多倍的时间。传统的方差缩减技术如重要性采样，分层采样，拟蒙特卡洛方法（Quasi-Monte Carlo）仍然不能改变这个收敛速度。
要提升蒙特卡洛估计的收敛速度，直观上，我们需要能够辨识每个图像的分布特征，然后在一些高频变化区域增加采样的密度。然而，传统的蒙特卡洛方法中每个抽样之间是独立的，它并不能有效辨识这种频率变化特征，尽管梅特波利斯光照传输（Metropolis light transport，MLT）通过采样点之间的相关性能够寻找一些困难路径，本质上它仍然并不善于处理和分析频率域特征。要想能够辨识图像的分布特征，我们需要了解每个路径的局部特征，即是我们需要对路径追踪算法引入微分运算。路径的微分涉及路径与附近局部范围内光线的差值，即图像的局部特征，因此它引入了光线之间的相关性，可以从多个层面改善路径追踪算法的效率（也正是如此，我们认为这是近几年路径追踪技术领域的重大进展）。
延伸阅读
- ssh框架 2016-09-30
- 阿里移动安全 [无线安全]玩转无线电——不安全的蓝牙锁 2017-07-26
- 消息队列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 论文笔记【图片目标分割】 2017-07-26
- 词向量-LRWE模型-更好地识别反义词同义词 2017-07-26
- 从栈不平衡问题 理解 calling convention 2017-07-26
- php imagemagick 处理 图片剪切、压缩、合并、插入文本、背景色透明 2017-07-26
- Swift实现JSON转Model - HandyJSON使用讲解 2017-07-26
- 阿里移动安全 Android端恶意锁屏勒索应用分析 2017-07-26
- 集合结合数据结构来看看(二) 2017-07-26
学习是年轻人改变自己的最好方式