蒙特卡洛方法

Jaihk662

已于 2024-08-22 11:16:39 修改

阅读量4.2k

点赞数 29

CC 4.0 BY-SA版权

分类专栏： # 渲染道法文章标签：数论

于 2024-08-21 19:59:48 首次发布

本文链接：https://blog.csdn.net/Jaihk662/article/details/141401002

蒙特卡洛在图形渲染领域中有着大量的应用，其中包括但不限于基于物理的渲染(PBR)、基于图像的光照(IBL)、预计算辐照度全局光照(PRT)等等，最新的高效光追算法 ReSTIR 中也需要以蒙特卡洛作为理论基础，UE5 的 Lumen 目前也实现了基于 ReSTIR 的 Gather……

一、初识蒙特卡洛(Monte Carlo)

蒙特卡洛是南欧国家摩纳多的一个著名赌城，赌博就意味着概率，蒙特卡洛方法正是以概率为基础的方法是一大类随机算法(Randomized Algorithms)的总称，即通过随机样本来估算真实值。在了解蒙特卡洛之前，需要先了解概率论基础

1.1 最简单的例子：近似 PI 值

一个随机数生成器，可均匀生成 [-1, 1] 之间的数，每次生成两个数，对应着一个平面坐标系中的点 (x, y)

将以上的操作重复进行 n 次，在 n 非常大的情况下，落入如上绿色范围内的点的数量 m 与 n 的比值就近似于 $\frac{\pi}{4}$ ，对公式做个变换得到 $\pi \approx \frac{4 m}{n}$ ，很好理解，到此蒙特卡洛也就入门了

1.1.1 n 有多大，PI 才能足够准确？

大数定律保证了蒙特卡洛的正确性：当 n 趋于无穷， $\frac{4 m}{n}$ 趋于 $\pi$

通过 Bernstein 不等式 $\left|\frac{4 m}{n}-\pi\right|=O\left(\frac{1}{\sqrt{n}}\right)$ 可以了解到：样本数量 n 增加一万倍，精度才能提高一百倍，这一部分还是算超纲了，有兴趣看下就好

1.2 最普通的例子：计算定积分

就拿《深度强化学习》这本书中的例子：

计算 $I=\int_{0.8}^3 f(x) dx$ ，其中 $f(x)=\frac{1}{1+(\sin x) \cdot(\ln x)^2}$

求解解析解非常困难，再加上计算机也不会计算连续的积分，因此通过蒙特卡洛计算数值近似解就是一个不错的选择，一元函数定积分也算是一个相对简单的问题

此蒙特卡洛近似计算步骤如下：

在区间 [a, b] 上做随机抽样，得到 n 个样本，记作： $x_1, \cdots, x_n$
对函数值 $f\left(x_1\right), \cdots, f\left(x_n\right)$ 求平均，再乘以区间长度 b − a

可得出 $I=\frac{b-a}{n}\sum_{i=1}^n f\left(x_i\right)$

这个方法和黎曼和的求法非常类似： $\frac{b-a}{n}$ 就是图中矩形的宽，而 $f\left(x_{i}\right)$ 就是对应矩形的高

1.2.1 多元函数定积分

一元函数的定积分是相对比较简单的问题，在此情况下，变量 x 是个标量，求解的积分也不会是多重积分

多元函数定积分的求解要复杂一些，但好在，前面 1.1 求解 $\pi$ 的例子正好可转换为多元函数定积分求近似的问题，下面就从公式的角度再推导一遍

其求解 $\pi$ 近似值的本质其实就是计算 $\pi=\int_{\Omega} f(x, y) d x d y$ ，集合 Ω = [−1, 1] × [−1, 1]

其中 $f(x, y)=\left\{\begin{array}{lc} 1, & \text { if } x^2+y^2 \leq 1 \\ 0, & \text { otherwise } \end{array}\right.$ ，直观地说，如果点 (x, y) 落在下图的绿色圆内，那么函数值就是 1；否则函数值就是 0

从从集合 Ω = [−1, 1] × [−1, 1] 上均匀随机抽样 n 个点，记作 $\left(x_1, y_1\right), \cdots,\left(x_n, y_n\right)$

可得到 $\pi \approx v \cdot \frac{1}{n} \sum_{i=1}^n f\left(x_i, y_i\right)=\frac{4}{n} \sum_{i=1}^n f\left(x_i, y_i\right)$ ，其中 $v=\int_{\Omega} d x$ 即集合 Ω 的面积，1.1 中对 m 的定义，其实就是多次采样的 $\sum_{i=1}^n f\left(x_i, y_i\right)$ 结果

二、蒙特卡洛积分(Monte-Carlo integration)

在介绍完备的蒙特卡洛积分前：先举一个完全不需要复杂的数学推导，生活中的例子

在要统计全国大学生的平均身高，有以下两个方案：

直接挨家挨户调查全国所有大学生每一个人的身高，然后求其平均
随便进入一所大学，统计这所大学里面所有学生的身高，然后求其平均作为近似解

可见，选择方案②确实是一个很不错的选择，它就是随机采样的一个案例，但是现在有这样一个问题：这所大学是文科大学，也因此男女比例是 1:5，要知道女性的平均身高是要低于男性的，这样若只是单纯的随机抽样必然会得出错误的结果。对于这个问题，该如何设计采样方案，才能使得最终的结果尽可能的客观真实呢？

相信这个问题对于一个初中生来讲，都能很好的回答：有两种方案

抽到男生的时候，将其权重设为5，抽到女生的时候，将其权重设为1，最后计算平均身高时乘上权重求平均
男生女生分开抽查，确保抽查到的男女生比例为 1:1，然后统计平均身高

但是从这个问题可以看出，每个样本被选中的概率并不一定是相同的，也就是说，样本池不一定均匀，就像题目中的情景，选出女生的概率要比选出男生的概率高

2.1 非均匀样本采样

若只是单纯的求解定积分结果，采样范围即积分范围，并且此采样范围内的每个样本完全均匀分布，但蒙特卡洛积分需要考虑到所有情况

对于一般格式的连续性积分 $F(x)=\int_{\Omega} f(x) d x$ ，其被积函数为 $f(x)$ ，积分区间为 Ω

一样采用离散的方式去近似：即只在区间 Ω 内进行 n 次采样，且每个样本 x 在区间内被选中的概率为 $p(x)$ ，那么就有 $F(x)=\int_{\Omega} f(x) d x\approx\frac{1}{n} \sum_{i=1}^{n} \frac{f\left(x_{i}\right)}{p\left(x_{i}\right)}$ ，其中