GAMES202实时渲染(5)-实时光线追踪降噪：原理、算法与实践

引言

随着硬件性能的提升与图形算法的演进，实时光线追踪（Real-Time Ray Tracing）已成为现代游戏引擎与实时渲染领域的核心技术。然而，受限于计算资源与采样效率，实时光线追踪生成的图像往往存在显著噪声，直接影响视觉效果与沉浸感。因此，实时光线追踪降噪（Real-Time Ray Tracing Denoising）成为解决这一问题的关键环节。本文将围绕GAMES202课程中实时渲染模块的第五讲内容，系统解析降噪技术的原理、主流算法及实践应用，为开发者提供可操作的优化思路。

一、实时光线追踪的噪声来源

实时光线追踪通过模拟光线的物理传播路径生成图像，其噪声主要来源于以下两方面：

1. 蒙特卡洛采样的随机性：光线追踪依赖随机采样（如路径追踪、直接光照采样）估计光照贡献，低采样率下采样点不足导致像素值波动剧烈，形成“颗粒状”噪声。
2. 间接光照的复杂交互：全局光照、次表面散射等间接光照效果需要多次光线反弹计算，采样成本呈指数级增长，进一步加剧噪声问题。

例如，在渲染一个带有漫反射材质的场景时，直接光照可通过少量样本快速收敛，但间接光照（如环境光遮蔽）需大量样本才能平滑，此时若采样率不足，间接光照区域会呈现明显的噪声斑块。

二、降噪技术的核心原理

降噪的目标是通过算法从噪声图像中恢复出接近真实无噪的信号，其核心原理可归纳为以下三类：

1. 空间域降噪（Spatial Denoising）

空间域方法基于当前帧像素的局部邻域信息（如颜色、法线、深度）进行滤波，典型算法包括：

• 双边滤波（Bilateral Filter）：通过颜色相似性与空间距离加权，保留边缘的同时平滑噪声。
• 非局部均值（Non-Local Means）：搜索全局相似像素块进行加权平均，适用于纹理复杂的区域。
• 深度学习降噪：利用卷积神经网络（CNN）学习噪声分布与真实信号的映射关系，如NVIDIA的OptiX Denoiser。

代码示例（简化版双边滤波）：

def bilateral_filter(image, sigma_s, sigma_r):
    filtered = np.zeros_like(image)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            # 计算空间权重与颜色权重
            w_total = 0
            val_sum = 0
            for di in range(-3, 4):
                for dj in range(-3, 4):
                    ni, nj = i + di, j + dj
                    if 0 <= ni < image.shape[0] and 0 <= nj < image.shape[1]:
                        # 空间权重（高斯函数）
                        w_s = np.exp(-(di**2 + dj**2) / (2 * sigma_s**2))
                        # 颜色权重
                        w_r = np.exp(-(np.abs(image[i,j] - image[ni,nj])) / (2 * sigma_r**2))
                        weight = w_s * w_r
                        val_sum += image[ni,nj] * weight
                        w_total += weight
            filtered[i,j] = val_sum / w_total if w_total > 0 else image[i,j]
    return filtered

2. 时间域降噪（Temporal Denoising）

时间域方法利用多帧之间的时序相关性，通过运动矢量（Motion Vector）将历史帧信息投影到当前帧，典型算法包括：

• TAA（Temporal Anti-Aliasing）：结合时序累积与空间滤波，有效减少闪烁噪声。
• SVGF（Spatiotemporal Variance-Guided Filtering）：通过估计方差图动态调整滤波强度，平衡平滑度与细节保留。

优势：时间域方法可利用历史帧的“过采样”信息，显著降低单帧采样需求，但需处理运动模糊与遮挡问题。

3. 混合降噪（Hybrid Denoising）

结合空间域与时间域的优点，例如：

• ReSTIR（Reusable Sampling through Importance Resampling）：通过重要性重采样生成高质量路径样本，再结合时序滤波降噪。
• 分层降噪：先对直接光照与间接光照分层处理，再分别应用空间/时间滤波。

三、主流降噪算法对比

算法	类型	优势	局限性
双边滤波	空间域	实现简单，边缘保留好	对高频噪声效果有限
SVGF	时空混合	方差引导，适应性强	依赖准确的运动矢量
OptiX Denoiser	深度学习	高质量，支持动态场景	需额外训练数据，计算开销大
ReSTIR	采样优化+	样本复用，噪声自然	实现复杂，需硬件支持

四、实践应用与优化建议

1. 游戏开发中的降噪策略

• 分层渲染：将直接光照（如太阳光）与间接光照（如环境光）分开渲染，对高噪声的间接光照层应用更强降噪。
• 动态采样调整：根据场景复杂度动态分配采样预算，例如在视口中心区域增加采样，边缘区域降低采样。
• 后处理管线集成：将降噪作为后处理步骤插入渲染管线，避免影响主渲染流程。

2. 性能优化技巧

• 稀疏采样：对低贡献区域（如暗部）减少采样，集中计算资源于高光区域。
• 近似运动矢量：在快速移动场景中，使用屏幕空间运动估计替代精确几何运动矢量，降低计算成本。
• 降噪参数调优：根据目标平台（PC/主机/移动端）调整滤波半径、时间累积权重等参数，平衡质量与性能。

3. 实际案例：Unity HDRP中的降噪

Unity的高清渲染管线（HDRP）集成了SVGF与深度学习降噪器，开发者可通过以下步骤启用：

1. 在HDRP Asset中启用“Ray Tracing”与“Denoising”。
2. 为材质添加“Denoising Data”组件，提供法线、深度等辅助信息。
3. 在帧调试器中观察降噪前后的对比，调整“Denoiser Quality”参数。

五、未来趋势

随着硬件加速（如NVIDIA RTX的DLSS 3.5）与算法创新（如神经辐射缓存NRC），实时光线追踪降噪正朝着更高质量、更低开销的方向发展。开发者需关注以下方向：

• AI驱动的降噪：利用扩散模型（Diffusion Models）生成更自然的降噪结果。
• 物理正确的降噪：结合材质属性（如粗糙度、金属度）设计针对性滤波器。
• 跨平台优化：针对不同硬件（如主机、移动端GPU）定制降噪方案。

结论

实时光线追踪降噪是平衡渲染质量与性能的关键技术。通过理解噪声来源、掌握空间/时间域算法、结合实践优化策略，开发者可在有限资源下实现电影级的实时渲染效果。未来，随着AI与硬件的协同进化，降噪技术将进一步推动实时图形学的边界。