Kulla-Conty BRDF补充_重要性采样GGX

合集 - games202 高级实时渲染(8)

1.pcss 软阴影2024-01-172.阴影和软阴影2024-01-173.环境光照和球谐函数2024-01-174.PRT预计算辐射传输方法2024-01-225.ssr屏幕空间射线追踪2024-01-226.Kulla-Conty BRDF2024-01-22

7.Kulla-Conty BRDF补充_重要性采样GGX2024-01-22

8.实时光线追踪降噪2024-01-23

收起

重要性采样的方法有多种，这里我们介绍其中一种，你的实现也可以使用其他方法。我们将通过 GGX 采样来完成 E(µ)的预计算工作。先从理论上讨论 GGX
采样算法，对于给定出射方向 o 的 GGX采样，目标是采样生成入射方向 i 以计算
$\frac{f r (i,o,h)(i,n)}{pdf i (i)}$。因此，对于 GGX 算法有两个核心问题需要解决：如何采样和对应的概率 pdf 是什么。

第一个问题，如何采样入射方向 i。

我们首先根据选用的 NDF模型，重要性采样微表面法向 m（也就是 i,o 之间的半程向量h），随后通过采样得到的微表面法向 m，利用反射关系来计算入射方向 i：

$$i = 2(m · o)m − o$$

同时对于任意 NDF 下，采样 m 对应的概率密度 pdf m (m)，有:

$$pdf_m (m) = D(m)(m · n)$$

(这是由 NDF 中
$∫D(m)(m · n) = 1$ 这一性质得出，文档不会涉及到关于
NDF 性质的讨论。同样，关于下述 GGX 采样点生成的推导过程也会被略去)
通过该 $pdf_m (m)$，可以计算出 GGX NDF 对应的采样点应该为：

$$θ_m = arctan( \frac{ α \sqrt{ξ_1}} {\sqrt{1 − ξ_1} }) \\ ϕ_h = 2πξ_2$$

其中，ξ_1 ,ξ_2 ∈ [0,1)。

补充：

$$pdf_m (m) = D(m)(m · n) \\ = \frac{a^2}{PI*(((n \cdot h)^2)*(a^2-1)+1)^2} (n \cdot h) \\ = \frac{a^2}{PI*(cos^2 \theta*(a^2-1)+1)^2} cos \theta$$

因为我们可以用球面坐标($\phi$,$\theta$)表示半径向量m,因此我们可以把$pdf_m$表示为$pdf_{\phi}$和$pdf_{\theta}$的乘法。$pdf_{\phi}$不依赖角度$\phi$,所以我们可以简单的推导出：

$$pdf_{\phi} = \frac{1}{2\pi}$$

所以：

$$pdf_{\theta} = \frac{pdf_m(m)}{pdf_{\phi}} = \frac{2 a^2}{(cos^2 \theta*(a^2-1)+1)^2} cos \theta$$

运用逆变换采样(Inverse Transform Sampling Method)生成具有指定概率密度分布的随机变量,我们需要先得到概率密度的累积分布，这里直接给出结果。

$$cdf_{\phi} = \int_{0}^{\phi}\frac{1}{2\pi}dx = \frac{1}{2 \pi} \phi \\ cdf_{\theta} = \int_0^{q} \frac{2a^2x}{(x^2(a^2-1)+1)^2} dx = \frac{1-q^2}{1+q^2(a^2-1)}$$

其中 $q=cos(\theta)$.现在反转cdf函数，以产生从均匀值$\epsilon_1,\epsilon_2$到角度$\phi,\theta$的映射：

$$\phi = \epsilon_1 * 2 \pi \\ \theta = arccos \sqrt{\frac{1-\epsilon_2}{1+\epsilon_2(a^2-1)}}$$

或者

$$\theta = arctan \frac{a \sqrt{\epsilon_2}}{\sqrt{1-\epsilon_2}}$$

两者是等价的。

第二个问题，如何计算采样得到的入射方向的概率。

因为我们最后生成的采
样方向是入射方向 i, 所以最后结果的权重应该是：

$$weight(i) = \frac {f_r (i,o,h)(i,n)} {pdf_i (i)}$$

所以需要将之前采样微表面法线的概率密度 $pdf_m (m)$ 转换成采样入射的概率密
度 $pdf_i (i)$，而两者之间的转换只需要简单的乘一个 Jacobian 项即可，即：

$$pdf_i (i) = pdf_m (m) ∥ \frac {∂ω_m} {∂ω_i} ∥$$

其中，对于反射有：

$$∥ \frac {∂ω_m} {∂ω_i} ∥= \frac {1} {4(i · m)}$$

讨论完以上两点后，最终对于采样入射的权重可以整理为：

$$weight(i) = \frac {(o · m)G(i,o,h)} {(o · n)(m · n)}$$

补充：
Jacobian项

直观理解：

法线分布会以宏观法线为中心对应于一个波瓣lobe，在视线确定情况下，经过反射，反射光线又会形成于另一个波瓣。这两个波瓣的大小不同，因此对应点的概率密度分布也不同。

以一定概率任意取一个法线和以其中为中心的微小的立体角范围，会对应于另一个反射光线和其微小范围；这两个范围的光线的对应概率相等，因为它们直接是1-1映射的关系；又因为范围足够小，可以近似认为是概率密度在这个小区间均匀分布，因此：

$$pdf_h*A_h = pdf_o*A_o$$

因此概率密度分布之比与微表面积之比成反比。