GAMES202实时渲染(5)-实时光线追踪降噪技术深度解析

一、实时光线追踪的噪声根源与挑战

实时光线追踪通过模拟物理光线路径实现逼真渲染，但其路径追踪（Path Tracing）算法的本质决定了噪声的必然存在。当每像素采样数（SPP）较低时（如1-4 SPP），直接光照、间接光照和全局光照的计算结果会因随机采样产生显著方差，表现为画面中的颗粒状噪声或闪烁伪影。

1.1 噪声的数学本质

路径追踪的渲染方程积分存在蒙特卡洛估计误差，其方差与采样数成反比：
$<br>Var(I) \propto \frac{1}{N}<br>$
其中$I$为像素辐射度，$N$为采样数。实时光追要求每帧16ms内完成渲染，导致$N$通常小于8，此时方差难以通过增加采样消除。

1.2 噪声的视觉表现

• 高频噪声：镜面反射、焦散等高光区域因路径贡献差异大产生颗粒
• 低频噪声：漫反射区域因间接光照采样不足出现块状伪影
• 时域闪烁：动态场景中噪声点随时间剧烈变化

二、降噪技术体系：时域与空域的协同

现代实时光追降噪采用时空联合框架，通过时域滤波（Temporal Denoising）和空域滤波（Spatial Denoising）的互补实现高效去噪。

2.1 时域降噪（TAA/Reprojection）

核心思想：利用历史帧信息通过运动矢量重投影（Motion Vector Reprojection）扩展有效采样数。

2.1.1 经典TAA算法流程

// 伪代码：时域抗锯齿与降噪结合
vec3 currentColor = GetCurrentPixelColor();
vec2 motionVector = GetMotionVector(currentPixel);
vec2 reprojectedUV = currentUV - motionVector;
vec3 historyColor = texture(historyBuffer, reprojectedUV).rgb;
// 指数移动平均（EMA）融合
float blendFactor = 0.1; // 可根据方差动态调整
vec3 denoisedColor = mix(historyColor, currentColor, blendFactor);

关键优化：

• 历史帧筛选：通过深度/法线差异检测遮挡变化，避免鬼影
• 方差自适应：根据当前像素方差动态调整混合权重
• 夹紧机制：限制新帧对历史帧的修改范围（Clamping）

2.2 空域降噪（SVGF/MLAA）

核心思想：在单帧内通过图像特征分析去除噪声，主要分为基于边缘感知和基于机器学习两类方法。

2.2.1 SVGF（Spatiotemporal Variance-Guided Filtering）

NVIDIA提出的经典算法，结合时域方差指导空域滤波：

1. 方差估计：计算像素邻域的颜色方差
2. 分层滤波：根据方差大小动态调整滤波核半径
3. 非局部均值：在相似纹理区域进行跨像素加权

// 简化版SVGF核计算
float computeKernelRadius(float variance) {
    return clamp(0.5 * log(variance + 1e-5), 1.0, 8.0);
}
vec3 svgfFilter(vec2 uv, sampler2D inputTex, sampler2D varianceTex) {
    float var = texture(varianceTex, uv).r;
    float radius = computeKernelRadius(var);
    vec3 result = vec3(0);
    float totalWeight = 0;
    for (int i = -4; i <= 4; i++) {
        for (int j = -4; j <= 4; j++) {
            vec2 offset = vec2(i, j) * radius;
            vec3 sampleColor = texture(inputTex, uv + offset).rgb;
            float distWeight = exp(-(length(offset)/radius)*2);
            float colorWeight = exp(-0.1*length(sampleColor - texture(inputTex, uv).rgb));
            float weight = distWeight * colorWeight;
            result += sampleColor * weight;
            totalWeight += weight;
        }
    }
    return result / totalWeight;
}

2.2.2 机器学习降噪

现代引擎（如UE5的Lumen）开始集成神经网络降噪器：

• 输入特征：G-Buffer、运动矢量、噪声估计图
• 网络结构：U-Net编码器-解码器，带残差连接
• 训练数据：合成数据集（如NVIDIA的OIDN）

三、工程实践中的优化策略

3.1 分层降噪架构

推荐三级降噪流水线：

1. 初级降噪：快速时域混合（TAA）
2. 中级降噪：空域SVGF处理残留噪声
3. 高级降噪：针对高光区域的MLAA后处理

3.2 性能优化技巧

• 着色率剔除：对粗糙表面区域降低降噪强度
• 异步计算：将降噪任务卸载至异步队列
• 半分辨率处理：先在1/2分辨率降噪再上采样

3.3 调试可视化工具

开发阶段建议实现以下调试视图：

• 方差热力图：显示各区域噪声强度
• 历史帧权重图：可视化时域混合比例
• 滤波核可视化：检查空域滤波范围

四、前沿技术展望

4.1 路径空间降噪

最新研究尝试在路径空间而非像素空间进行降噪，通过重新组织光线路径减少方差。

4.2 神经辐射缓存（NRC）

结合神经网络与辐射缓存技术，实现动态场景的高效降噪。

4.3 硬件加速方案

RTX 40系显卡的DLSS 3.5已集成光线重建（Ray Reconstruction）技术，通过AI替代传统降噪器。

五、开发者实施建议

1. 渐进式实现：先集成TAA，再逐步添加SVGF和ML组件
2. 参数调优：建立噪声度量指标（如PSNR/SSIM）指导参数调整
3. 平台适配：针对移动端开发简化版降噪方案（如固定核滤波）
4. 数据驱动：收集真实场景噪声分布优化降噪策略

实时光线追踪降噪是图形学与计算摄影的交叉领域，其发展将持续推动实时渲染逼真度的突破。开发者需在算法效率与视觉质量间找到平衡点，通过时空联合降噪实现”好快省”的渲染解决方案。