蒙特卡洛应用：RTX 光线追踪算法 ReSTIR 原理

Jaihk662

已于 2024-08-23 16:46:56 修改

阅读量1.7k

点赞数 17

CC 4.0 BY-SA版权

分类专栏： # 渲染道法文章标签：数论

于 2024-08-23 16:46:09 首次发布

本文链接：https://blog.csdn.net/Jaihk662/article/details/141467789

接上文：蒙特卡洛方法
相关论文：《Spatiotemporal reservoir resampling for real-time ray tracing with dynamic direct lighting: 2020》

ReSTIR 算法全称为 GIalgorithm based on Spatiotemporal Reservoir Resampling，是一种在实时路径追踪渲染算法，用于提高间接光照的采样率，来达到降低路径追踪噪点的目的，它非常适用于计算 GI，目前 UE5.4 的 Lumen 就已实现了基于 ReSTIR 的 Gather……

同时，它也是目前 NVIDIA RTX 应用的最新光线追踪算法之一，未来可期

在阅读这一章之前，请确保你已经完全理解了蒙特卡洛方法中的所有内容

四、蒙特卡洛与 ReSTIR

4.1 重采样重要性采样(RIS) —— 蒙特卡洛积分求解器

ReSTIR，我们先从其中的 "IR" 开始介绍

将前面 3.4 节的 SIR 方法真正用于重要性采样，即作为采样分布映射获得服从目标 PDF 分布的样本，这种重要性采样就被称为 RIS —— 重采样重要性采样(Resampled Importance Sampling)。RIS 也是首次把重采样引入渲染的开山之作

RIS 的思路也很明确：使用 SIR 的方式获得 n 个样本，并将这 n 个样本代入蒙特卡洛积分方程 $(x)=\int_{\Omega} f(x) d x\approx\frac{1}{n} \sum_{i=1}^{n} \frac{f\left(x_{i}\right)}{p\left(x_{i}\right)}$ 进行求解

代入之后是什么样的呢？这里我们回到前面 SIR 的部分：

我们目标是从概率密度函数为 $g(x)$ 的分布中进行采样， $g(x)$ 为 Target PDF
从一个非常简单的 PDF： $p(x)$ 中取出了 m 个样本，记为 $X=x_1, x_2, \cdots, x_m$
而通过 SIR 方法进一步获得的样本 Y 中有 n 个样本，分别为 $_1, \cdots, y_n$

那么最终的蒙特卡洛积分结果就应如下

$\int_{\Omega} f(x) d x\approx I_{R I S}^{n, m}=\frac{1}{n} \sum_{i=1}^n \frac{f\left(y_i\right)}{g\left(y_i\right)}$

而 $y_1, \cdots, y_n$ 服从的，应该是 SIR PDF： $p^{\prime}(z)=\frac{g\left(x_z\right)}{\frac{1}{m} \sum_{i=1}^m w\left(x_i\right)}$ ：因此可以将 SIR PDF 作为重要性采样的 PDF，即

$I_{R I S}^{n, m}=\frac{1}{n} \sum_{i=1}^n \frac{f\left(y_i\right)}{p^{\prime}\left(y_i\right)}= \frac{1}{n} \sum_{i=1}^n\left(\frac{f\left(y_i\right)}{g\left(y_i\right)} \cdot\left(\frac{1}{m} \sum_{j=1}^m w\left(x_{ j}\right)\right)\right)$

到此，我们就得到了一个简易版本的蒙特卡洛积分求解器

事实上，对于上面的蒙特卡洛积分求解器其实是一个弱化版的求解器。可以发现，我们在执行 SIR 步骤的时候：Y 样本中每一个 $y_i$ ，其实都是从同一个 X 样本中选取的

理论上，可以对要选取的每一个 $y_i$ ，都重新生成一份 X 样本，并且每次生成的 X 样本的总数量，也不再是固定的 m，而是不同的 $m_i$ ，这样做的一个好处就是：更不容易出现相同的两个样本 $y_{i1}, y_{i2}$ ，且最终方差也可能会更小，此时 $I_{R I S}^{n, m}=\frac{1}{n} \sum_{i=1}^n \frac{f\left(y_i\right)}{p^{\prime}\left(y_i\right)}= \frac{1}{n} \sum_{i=1}^n\left(\frac{f\left(y_i\right)}{g\left(y_i\right)} \cdot\left(\frac{1}{m_i} \sum_{j=1}^{m_i} w\left(x_{i j}\right)\right)\right)$ ，其中 $w\left(x_{i j}\right)$ 就是指当获得 n 个最终样本的第 i 个样本时，SIR 流程中确定的 m 个样本组成的 X 中的第 j 个元素的权重

4.2 蓄水池采样(RS, Reservoir Sampling)

接下来就是介绍 ReSTIR，其中的 "Re"

在介绍蓄水池采样算法前：再举一个完全不需要复杂的数学推导，生活中的例子

在一个军训基地里，开学的第一天上午，来了 N = 2087 名来军训的学生，现在你作为教官，要从中选出 K = 100 名作为最终主方队的队员，并且由于你在鹅城当过县长，所以你主打的就是一个公平……，思来想去，你最终采用了最质朴的抽签的方式，即让这 2087 名学生依次抽签，抽中“幸运签”的学生被选中作为最终主方队的队员

但是紧接着问题就来了，这2087名学生并非全部要来这个军训基地里训练的学生，甚至连一半不到，这可不，第一天下午2点，又来了387名学生，下午4点，又来了566名学生……甚至第二天上午，还在源源不断的来新生

第二天上午的你，发现这个问题变得棘手了起来，到现在为止，学生总数 N = 3040，可是你昨天就已经从前2087名学生中选出了100名队员，事实上，你应该在确保不会再有新学生进来之后再抽取，现在你要保证公平只能有一种方案了：即前面兴师动众，让2000名学生同时抽签的结果直接废弃，等到后面不会再有新生了之后，再统一举办一次更浩大的“抽签仪式“

可是，真的只有这一种方案了嘛，确定要重新抽签嘛？前面的努力白费不说，后面再举行一次更浩大的全员抽签是否过于浪费场地和时间？

其实，以上的问题用数学描述的话，一句话就可以概括：从 n 个数据的池子中，等概率抽选 m 个样本，但是，n 的大小是动态的，可能后面会非常大且不可预知。请问你如何确保在 n 每次扩容后，都能从当前的数据池中等概率选出 m 个样本，要求总复杂度 O(n)

此题的一个非常完美的方案，即是：蓄水池采样(Reservoir Sampling)，它的流程如下（总样本数量 n 未知，你要等概率抽取 m 个样本）

遍历所有的 n 个数据，对于前 m 个数据，无脑全部加入“蓄水池”，此时蓄水池已满
从第 m+1 个数据开始，如果当前遍历到样本池中的第 i 个数据，则在 [1, i] 范围生成一个随机整数 $p$ ，如果 $p \leq m$ ，则将该数据与蓄水池中的第 $p$ 个数据替换，否则该数据丢弃
重复步骤②，直到遍历完所有的 n 个数据，如果 n 此时扩容，则继续执行步骤②……

这个算法即可确保在任意时刻处理完前 k 个数据后，蓄水池中的 m 个数据都是以 $\frac{m}{k}$ 的概率获得的

到此，如果你是前面题目中的教官，在了解了这个蓄水池采样算法后，大可不必放弃之前的抽样结果，更不需要在人全部到齐后再进行一次完全抽样，只需要对剩下新来的学生进行如上步骤②的操作即可：即假设当前学生是第 k 个到达军训基地的学生，你只需在 [1, k] 范围内生成一个随机数 $p$ ，如果 $p \leq k$ ，就让这个学生和主方队中的第 $p$ 个队员交换，原先的队员出队他进队，这样在任意时刻，当前的这最终主方队的100队员，一定都是当前总样本下最公平的选择

蓄水池采样策略，本质上就是一个“流式”采样策略

4.2.1 加权蓄水池采样(WRS, Weighted Reservoir Sampling)

可以发现，前面举得例子中，样本的均匀的，如果样本分布不均匀，就需要对其进行扩展，加权蓄水池采样应运而生，不用害怕公式有多复杂，只需要知道它的本质思路是和蓄水池采样一样的，就可以

扩展后的问题：从 n 个数据的池子 X 中，抽选 m 个样本，其中数据池 X 中的第 i 个样本 $x_i$ 的权重为 $w\left(x_i\right)$ ，除此之外，n 的大小是动态的，可能后面会非常大且不可预知。请问你如何确保在 n 每次扩容后，都能从当前的数据池中选出 m 个样本，且确保其满足重要性采样规则

加权蓄水池采样(WRS, Weighted Reservoir Sampling) 的步骤如下：当前蓄水池 Y 中已有 $t-1$ 个样本，那么蓄水池的下一个要被选择的样本 $x_t$ 按照如下规则选出，这个 $x_t$ 被称为 Reservoir

重新遍历总样本池 X 的所有数据，假设已经遍历了前 $k-1$ 个样本，当前备选样本为 $x_t$ ，当前权重和 $w_{\text {sum }}=\sum_{i=1}^{k-1} w\left(x_i\right)$
紧接着遍历总样本池 X 中的第 k 个样本，并在 [0, 1] 范围生成一个随机整数 <

最低0.47元/天解锁文章