实时光线追踪的挑战与降噪必要性

实时光线追踪（Real-Time Ray Tracing）作为计算机图形学领域的革命性技术，通过模拟光线在场景中的物理传播路径，实现了高真实感的反射、折射、阴影等效果。然而，其核心问题在于计算复杂度与实时性之间的矛盾：每帧需追踪数百万条光线，而每条光线的反弹路径可能涉及多次场景交互，导致传统路径追踪（Path Tracing）算法在实时渲染中难以直接应用。

噪声的来源与分类

实时光线追踪的噪声主要分为两类：

1. 蒙特卡洛噪声（Monte Carlo Noise）：由路径追踪的随机采样特性导致，表现为画面中的颗粒状噪点。例如，直接光照采样不足时，亮部区域会出现闪烁的白色斑点。
2. 几何边缘噪声（Geometry Aliasing）：在物体边缘或高对比度区域，因采样率不足导致的锯齿状伪影。例如，光滑球体的反射边缘可能出现断裂的亮线。

降噪技术的核心目标

降噪技术的核心目标是通过空间-时间联合优化，在保持画面真实感的同时，将每帧的光线追踪采样数从数百万条降低至数千条。具体而言，需解决以下问题：

• 如何利用相邻像素的空间相关性？
• 如何利用前后帧的时间连续性？
• 如何平衡降噪强度与细节保留？

经典降噪算法解析

1. 空间降噪：基于图像处理的滤波方法

双边滤波（Bilateral Filter）

双边滤波通过结合空间距离与颜色相似性，实现边缘保留的平滑。其核心公式为：

I_filtered(x) = (1/W_p) * Σ_y∈Ω G_s(||x-y||) * G_c(||I(x)-I(y)||) * I(y)

其中，G_s为空间高斯核，G_c为颜色高斯核，W_p为归一化因子。

应用场景：适用于直接光照的初步降噪，但无法处理复杂光照交互。

非局部均值（Non-Local Means）

非局部均值通过全局相似块匹配，实现更精细的降噪。其步骤包括：

1. 定义搜索窗口（如15×15像素）
2. 计算当前块与搜索窗口内所有块的SSD（平方差和）
3. 根据SSD加权平均相似块

优势：可处理重复纹理区域，但计算复杂度较高（O(n²)）。

2. 时间降噪：基于运动补偿的帧间融合

时间抗锯齿（TAA）的扩展应用

传统TAA通过抖动采样（Jitter Sampling）与历史帧混合实现抗锯齿，而实时光线追踪中可将其扩展为时间光线追踪混合：

// 伪代码示例
vec3 current_color = ray_trace(scene, uv + jitter);
vec3 history_color = texture(history_buffer, uv - motion_vector);
vec3 final_color = mix(current_color, history_color, 0.9);

关键问题：运动向量不准确时会导致鬼影（Ghosting）。

深度学习辅助的时间降噪

近期研究（如NVIDIA的DLSS 3.5）通过神经网络预测运动补偿，其流程包括：

1. 输入当前帧与历史帧的特征图
2. 使用U-Net结构预测运动场
3. 根据预测结果进行自适应混合

效果：在《赛博朋克2077》中，可将光线追踪采样数从64SPP降低至8SPP而保持画质。

工业级降噪方案：SVGF与ReSTIR

1. SVGF（Spatio-Temporal Variance-Guided Filtering）

SVGF是当前工业界最主流的实时光线追踪降噪方案，其核心流程包括：

1. 方差估计：计算每个像素的亮度方差，作为降噪强度的指导

   variance = E[I²] - (E[I])²

2. 空间滤波：根据方差值动态调整双边滤波的参数
3. 时间累积：通过指数移动平均（EMA）融合历史帧

优化点：

• 使用分层方差估计减少计算量
• 结合法线与深度信息提高边缘保留能力

2. ReSTIR（Reservoir-based Spatio-Temporal Importance Resampling）

ReSTIR通过重要性采样与时空重采样，实现了动态光照下的高效降噪，其创新点包括：

1. 时空保留采样：在空间相邻像素与时间相邻帧中重用高质量样本
2. 渐近优化：通过多轮迭代逐步收敛到真实光照分布

性能数据：

• 在《光环：无限》中，ReSTIR将全局光照的计算时间从15ms降低至3ms
• 样本利用率比传统方法提高5-10倍

开发者实战建议

1. 降噪参数调优策略

• 空间滤波半径：根据场景复杂度动态调整，简单场景用3×3，复杂场景用7×7
• 时间混合系数：静态场景用0.95，快速运动场景用0.7
• 方差阈值：设置动态阈值（如threshold = 0.1 * max_variance）

2. 性能优化技巧

• 分层降噪：先对低分辨率图像降噪，再上采样
• 异步计算：将降噪与光线追踪并行执行
• 硬件加速：利用Tensor Core（NVIDIA）或Ray Tracing Core进行专用计算

3. 调试工具推荐

• NVIDIA Nsight Graphics：可视化光线分布与降噪效果
• RenderDoc：逐帧分析降噪前后的差异
• 自定义调试着色器：输出中间结果（如方差图、运动向量）

未来趋势与挑战

1. 神经辐射场（NeRF）的融合

近期研究（如NeRF-RT）尝试将NeRF的隐式表示与实时光线追踪结合，其潜力在于：

• 通过神经网络预测光线传播路径
• 减少直接采样需求

2. 量子计算的应用

量子光线追踪算法（如Q-Path Tracing）理论上可实现指数级加速，但当前硬件限制仍需突破。

3. 跨平台标准化

Vulkan RT与DXR的进一步融合，将推动降噪技术的跨平台优化。

结语

实时光线追踪降噪是实时渲染从“可信”到“真实”的关键跨越。通过理解噪声来源、掌握经典算法、借鉴工业级方案，开发者可在性能与画质之间找到最佳平衡点。未来，随着硬件与算法的协同进化，降噪技术必将推动实时渲染进入全新的真实感时代。”