25、实时光线追踪中的多光源重要性采样与去噪技术

实时光线追踪中的多光源重要性采样与去噪技术

1. 多光源重要性采样

在实时光线追踪中，为了加速光线重要性采样，我们引入了一种分层数据结构和采样方法，这与离线渲染中使用的方法类似。利用硬件加速的光线追踪，我们在GPU上探索了采样性能，并展示了使用不同构建启发式方法的结果。

目前的实现中，我们通过限制 $n \cdot l$ 来剔除地平线以下的光线。为了改进采样概率，还可以结合BRDF和可见性信息。在实际应用方面，为了提高性能，我们计划将BVH构建代码迁移到GPU上，这对于支持动态或蒙皮几何体上的光线也很重要。

以下是一些可改进的方向：
- 采样概率细化 ：在树遍历过程中结合BRDF和可见性信息，以细化采样概率。
- 性能优化 ：将BVH构建代码迁移到GPU，提高性能并支持动态或蒙皮几何体上的光线。

2. 去噪与滤波

去噪和滤波是光线追踪管道中不可或缺的部分。在实时场景中，每个像素只能发射少量随机分布的光线，导致结果存在噪声。通过结合稀疏的逐像素评估和时空滤波器，可以显著降低方差，但会增加偏差，这在实时渲染中通常是可以接受的权衡。此外，每条光线都是一个点样本，可能会引入锯齿。通过对纹理查找等项进行预滤波，可以减少锯齿。

以下是几种去噪和滤波的方法：
| 方法 | 描述 |
| ---- | ---- |
| 基于高级双边核的实时方法 | 可以有效去除残留噪声 |
| 基于深度学习的方法 | 具有很大的潜力 |
| 传统技术 | 可参考Zwicker等人的调查 |

<