引言

实时光线追踪（Real-Time Ray Tracing）作为图形渲染领域的革命性技术，能够模拟光线在场景中的真实物理行为，生成高度逼真的图像效果。然而，其高昂的计算成本使得在实时应用（如游戏、VR）中直接使用成为挑战。降噪技术作为平衡质量与性能的关键手段，通过从低采样率（Low Sample Count）的噪声图像中恢复出高质量结果，成为实时光线追踪的核心支撑。本文将围绕GAMES202课程中“实时光线追踪降噪”模块，系统解析降噪技术的原理、算法分类及实现策略，为开发者提供从理论到实践的完整指南。

一、实时光线追踪的噪声来源与挑战

1.1 蒙特卡洛积分的本质噪声

实时光线追踪的核心计算依赖于蒙特卡洛积分（Monte Carlo Integration），即通过随机采样估计光照贡献。例如，直接光照计算中，每条光线可能随机击中场景中的不同表面，导致像素值在不同帧间波动，形成“椒盐噪声”。这种噪声的方差与采样数成反比（σ² ∝ 1/N），而实时应用中每帧仅能分配极少数采样（如1-4 SPP，Samples Per Pixel），导致噪声显著。

1.2 路径追踪的递归噪声

全局光照（如间接光照、焦散）需要递归追踪多条路径，进一步放大了噪声问题。例如，漫反射表面的二次反弹可能因采样方向随机性而产生低频噪声，而镜面反射的高光区域则可能因采样不足出现高频闪烁。

1.3 实时渲染的性能约束

游戏引擎需在16ms内完成一帧渲染，而传统离线降噪（如路径追踪）可能需数千SPP。实时光线追踪需在极低采样下工作，这对降噪算法的效率与效果提出了严苛要求。

二、降噪技术分类与核心算法

2.1 基于空间域的降噪

2.1.1 双边滤波（Bilateral Filter）

通过结合空间距离与颜色相似性进行加权平均，保留边缘的同时平滑噪声。其公式为：
[ I{\text{filtered}}(x) = \frac{1}{W_p} \sum{y \in \Omega} I(y) \cdot \exp\left(-\frac{|x-y|^2}{2\sigma_s^2} - \frac{|I(x)-I(y)|^2}{2\sigma_r^2}\right) ]
其中，( \sigma_s )控制空间权重，( \sigma_r )控制颜色权重。适用于低频噪声，但对高频噪声效果有限。

2.1.2 非局部均值（Non-Local Means）

通过全局搜索相似像素块进行加权平均，公式为：
[ I{\text{filtered}}(x) = \frac{1}{C(x)} \sum{y \in \text{Image}} w(x,y) \cdot I(y) ]
其中权重 ( w(x,y) ) 取决于像素块间的相似性。计算复杂度高，但能处理复杂纹理噪声。

2.2 基于时间域的降噪

2.2.1 时间累积（Temporal Accumulation）

利用历史帧数据通过运动矢量（Motion Vectors）进行重投影，公式为：
[ I{\text{temporal}}(x,t) = \alpha \cdot I{\text{current}}(x,t) + (1-\alpha) \cdot I_{\text{history}}(x - \Delta x, t-1) ]
其中 ( \alpha ) 为混合系数，( \Delta x ) 为运动补偿量。可显著减少噪声，但易产生拖影（Ghosting）。

2.2.2 TAA（Temporal Anti-Aliasing）的扩展应用

TAA通过随机抖动采样位置并累积历史帧，可同时解决抗锯齿与降噪问题。其核心挑战在于处理动态场景中的重投影误差。

2.3 基于深度学习的降噪

2.3.1 卷积神经网络（CNN）

如NVIDIA的DLSS（Deep Learning Super Sampling）通过训练网络从低分辨率噪声图像预测高分辨率干净图像。输入为低采样光线追踪结果与G-Buffer，输出为降噪后图像。

2.3.2 循环神经网络（RNN）

处理时间序列数据，通过LSTM单元记忆历史帧信息，提升时间一致性。适用于动态场景的降噪。

2.3.3 生成对抗网络（GAN）

通过对抗训练生成更真实的图像，但易产生伪影（Artifacts），需结合其他技术使用。

三、降噪技术的实现策略与优化

3.1 混合降噪管线

结合空间域与时间域降噪，例如先应用时间累积减少噪声，再用双边滤波处理残留噪声。NVIDIA的RTX Denoiser即采用此类混合方案。

3.2 分层降噪

对不同频率的噪声采用不同策略：高频噪声用空间滤波，低频噪声用时间累积。例如，镜面高光区域用空间滤波，漫反射区域用时间累积。

3.3 辅助数据利用

利用G-Buffer中的法线、深度等信息指导降噪。例如，法线差异大的区域可能为边缘，需降低滤波强度。

3.4 实时性与质量的平衡

通过动态调整采样数与降噪强度实现平衡。例如，在快速移动时减少采样并加强时间累积，静态场景则增加采样并减弱滤波。

四、开发者实践建议

4.1 技术选型指南

• 游戏开发：优先选择TAA+空间滤波的混合方案，兼顾效率与效果。
• VR应用：需更强的时间一致性，推荐RNN或深度学习方案。
• 移动端：采用轻量级双边滤波或预计算降噪核。

4.2 调试与优化技巧

• 噪声分析：通过渲染统计信息（如方差）定位噪声来源。
• 参数调优：调整滤波半径、时间混合系数等参数，观察实时预览。
• 性能测试：使用帧时间分析工具（如NVIDIA Nsight）优化降噪管线。

五、未来趋势与挑战

5.1 神经辐射场（NeRF）的降噪

NeRF通过隐式表示场景，其渲染过程同样面临噪声问题。未来可能发展针对NeRF的专用降噪技术。

5.2 硬件加速降噪

如Intel的XeSS、AMD的FSR 3.0等超分辨率技术，可能集成更高效的降噪模块。

5.3 实时路径追踪的终极目标

随着硬件进步（如RTX 50系列），降噪可能从“必要”变为“优化”，最终实现无噪声的实时路径追踪。

结论

实时光线追踪降噪是图形学与计算技术的交叉领域，其发展依赖于算法创新与硬件协同。开发者需深入理解噪声来源，灵活选择降噪技术，并通过实践不断优化。未来，随着深度学习与专用硬件的进步，实时渲染将迈向更高真实感与效率的新阶段。