Introduction

Photon Mapping 是由 Henrik Wann Jensen 于 1996 年提出的一种全局光照方法，它高效解决了 Caustics 这一在经典 Path Tracing 中难以收敛的问题。

Photon Mapping 是一个 two pass 的方法，在 Pass 1 中首先通过场景的光源向场景中发射大量 Photon 并且当这些 Photon 击中物体表面时在该物体的表面使用 两张 photon Map 存储这些 Photon 的信息，一张高分辨率的 Map 用于渲染 Caustics，一张低分辨率的 Map 用于给 Pass 2 提供信息。

在 Pass 2 中，使用传统的 Monte Carlo Path Tracing 但对于不同材质使用不同的方案。

Photon Mapping 详细步骤

Pass 1: Constructing the Photon Map

Photon Map 是通过从场景的光源中发射大量光子构建的。每个 Photon 都使用类似 Path Tracing 的方法在场景中追踪，Photon 每次击中物体表面时，都会被存储在这个物体表面的 Poton Map 中，通过 Russian Roulette 策略来决定是否继续追踪，如果继续追踪则根据这个物体的 BRDF 采样得到下一个 Photon 的方向，并继续追踪。

我们需要两张 Photon Map：一张 Caustics Photon Map 和一张 Global Photon Map。

Caustics Photon Map 仅仅被用于存储与 Caustics 对应的 Photon。它的构建是这样的：从光源向场景中的 Specular 材质的物体发射经过反射，当它第一次击中场景中的 Diffuse 材质物体时，保存在这个 Diffuse 材质物体的表面。Caustics 是通过直接可视化的基于Caustics Photon Map 的 radiance 估计来渲染的，所以者需要大量的 Photon 来构建 Caustics Photon Map。

Global Photon Map 被用于粗略的估计场景中的 Flux 。它通过光源向场景中所有的物体发射 Photon 来构建。它不是直接可以被可视化渲染的，换句话说，它需要结合 Pass 2 来使用。因此它不需要像 Caustics Photon Map 一样使用大量 Photon 来构建。在第一个交点存储普通 Photon，在后续的交点（即处于阴影中的区域）存储 Shadow Photon，这些 Shadow Photon 在 Pass 2 中可以用于减少 Shadow Ray 的数量。

所有的 Photon 都被存储在 平衡 k-d Tree 中，在这个数据结构下，在包含 N 个光子的树中查找 M 个光子所花费的时间复杂度为 $O(M \cdot \log_{2}(N))$，并允许我们仅使用 20 bytes 表示每个光子。

Pass 2: Rendering

在 Pass 2 中，我们使用传统的 Monte Carlo Path Tracing。我们知道渲染方程是：

$$ L_o(p, \omega_o) = L_e(p, \omega_o) + \int_{\Omega } f_r(p,\omega_i, \omega_o) L_i(p,\omega_i) (\mathbf{n}\cdot\omega_i) d\omega_i $$

将渲染方程直接拆成

$$ \begin{aligned} L_o(p, \omega_o) &= \int_{\Omega} f_r(p, \omega_i, \omega_o) L_{i,l}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i & \\ &+ \int_{\Omega} f_{r,s}(p, \omega_i, \omega_o) \left( L_{i,c}(p, \omega_i) + L_{i,d}(p, \omega_i) \right) (\mathbf{n} \cdot \omega_i) \, d\omega_i \\ &+ \int_{\Omega} f_{r,d}(p, \omega_i, \omega_o) L_{i,c}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i \\ &+ \int_{\Omega} f_{r,d}(p, \omega_i, \omega_o) L_{i,d}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i \end{aligned} $$

其中

$$ f_r = f_{r,s} + f_{r,d} \quad \text{and} \quad L_i = L_{i,l} + L_{i,c} + L_{i,d} $$

其中 $L_{i,l}$ 是直接光照，$L_{i,d}$ 是间接光照，$L_{i,c}$ 是镜面反射 Caustics。 $f_{r,d}$漫反射部分表示从 Lambertian to slightly glossy，$f_{r,s}$镜面反射部分表示 highly glossy and 理想 specular 反射模型。

论文将方程拆成了 4 项，分别表示直接光照（Direct Illumination）、镜面反射/折射（Specular Reflection）、焦散（Caustics）、柔和间接光照（Soft Indirect Illumination）。下面我们仔细介绍每一项。

1. Direct Illumination

$$ \int_{\Omega} f_r(p, \omega_i, \omega_o) L_{i,l}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i $$

第一项表示：光源发出的光线直接照射到表面产生的 radiance。

论文利用 Global Photon Map 中的 Shadow Photons 进行加速。在计算表面点 $p$ 的直接光照时，先在 k-d Tree 中查找 $p$ 附近的近邻光子。如果附近光子全都是普通光子，说明该区域被完全照亮；如果全都是 Shadow Photons，说明该区域处于纯阴影中；只有当附近光子混杂有普通光子和阴影光子（处于阴影边界/半影区）时，才需要向光源发射 Shadow Ray 进行精确的可见性测试。这避开了大部分无意义的阴影采样。

如果该点是递归路径深层的表面，则不发射 Shadow Ray，直接提取 Global Photon Map 的估计值。

2. Specular Reflection

$$ \int_{\Omega} f_{r,s}(p, \omega_i, \omega_o) \left( L_{i,c}(p, \omega_i) + L_{i,d}(p, \omega_i) \right) (\mathbf{n} \cdot \omega_i) \, d\omega_i $$

第二项表示：经过理想镜面或者 Highly Glossy 表面反射/折射后看到的光照。

由于理想镜面或者 Highly Glossy的 BRDF 项 $f_{r,s}$ 的能量集中在极小的 lobe 范围内，如果直接用 Photon Map 评估，需要海量的光子才能 Artifact 因此论文对该项采用标准的 Monte Carlo Path Tracing

3. Caustics

$$ \int_{\Omega} f_{r,d}(p, \omega_i, \omega_o) L_{i,c}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i $$

第三项表示：光线经 Specular 物体反射或折射后，照射到漫反射表面上产生的高光区域 直接利用 Pass 1 中专门构建的 Caustics Photon Map 进行近邻查找和密度估计，直接可视化渲染出焦散

4. Soft Indirect Illumination

$$ \int_{\Omega} f_{r,d}(p, \omega_i, \omega_o) L_{i,d}(p, \omega_i) (\mathbf{n} \cdot \omega_i) \, d\omega_i $$

第四项表示：光线经过至少一次漫反射后，再由漫反射表面反射给相机的柔和间接光。

当相机可以直接看到或者是近距离表面：使用蒙特卡洛采样向半球发射少量采样的间接光线。为了提高效率，结合了 Global Photon Map 提供的入射通量信息与 BRDF 共同生成优化后的重要性采样方向.

当递归深层或者远距离路径：当采样光线反弹多次，或者贡献权重很低时，截断递归光线，直接使用 Global Photon Map 提供的辐射度估计作为该项的解。这在保证低频间接光平滑无噪的同时，极大降低了蒙特卡洛光线追踪的路径爆炸。

Estimating Radiance using the Photon Map

Photon Map 中的信息可以用于计算给定方向上离开物体表面的 Radiance，在 Pass 2 中我们需要使用 Photon Map 来进行估计 Radiance，核心在于如何从离散的 Photon Map 中重建出连续的辐射度 $L_o(p, \omega_o)$，而 Photon Map 并不直接存储 Radiance ，而是存储 Photon 的位置、入射方向和 Flux。为了在 Pass 2 的 Caustics 或 Indirect 计算中获取点 $p$ 处的 Radiance $L_o(p, \omega_o)$，需要使用 密度估计（Density Estimation）。

我们都知道

$$ L(p,\omega) = \frac{d^2\Phi(p)}{d\omega dA\cos \theta} $$

带入反射方程得到，并根据原论文，有：

$$L_o(p_{surf}, \omega_o) = \int_{\Omega} f_r(p_{surf}, \omega_{i}, \omega_o) \frac{d^2\Phi_i(p_{surf}, \omega_i)}{dA \, d\omega_i} \, d\omega_i \approx \sum_{p=1}^{N} f_r(p_{surf}, \omega_{i,p}, \omega_o) \frac{\Delta\Phi_p(p_{surf}, \omega_{i,p})}{\pi r^2}$$

其中

  • $L_o(p_{surf}, \omega_o)$：表面点 $p_{surf}$ 沿出射方向 $\omega_o$ 的出射 Radiance
  • $\omega_{i,p}$：第 $p$ 个光子到达表面点 $p_{surf}$ 时的入射方向
  • $\Delta\Phi_p(p_{surf}, \omega_{i,p})$：第 $p$ 个光子所携带的Flux
  • $\pi r^2$：估算的表面微元面积 $\Delta A$。以 $p_{surf} $为中心展开一个包含这 $N$ 个光子的最小球体，球体半径为 $r$，论文将光子落在表面的投影区域近似为一个半径为 $r$ 的圆盘（面积即 $\pi r^2$）

在光子密度过低的情况下，Radiance 估计可能会给出模糊的结果，为了补偿这种情况，论文引入了一个权重附加给每个 photon $p$ 到表面 $x$ 的距离 $d$,$d_p$ 表示第 $p$ 个光子到 $x$ 的距离。

$$ w_p = max(0,1-d_p/(kr)) $$

其中 $k$ 是一个过滤常数，控制滤波平滑程度的参数，在引入权重后 Radiance 估计表示为：

$$ L_o(p_{surf}, \omega_o) \approx \frac{\sum_{p=1}^{N} f_r(p_{surf}, \omega_{i,p}, \omega_o) \Delta\Phi_p(p_{surf}, \omega_{i,p}) w_p}{\left(1 - \frac{2}{3k}\right) \pi r^2} $$

$\left(1 - \frac{2}{3k}\right)$ 是基于二维表面分布对锥形滤波进行归一化的系数

后面会继续介绍具体的实现

References

Global Illumination using Photon Maps