📚 课程目录第3章采样策略

3、采样策略：蒙特卡洛方法、重要性采样与分层采样

光线追迹的核心，说白了就是解一个高维积分方程。你想想看，每条光线从光源出发，在场景里弹来弹去，最后有多少能量进入相机？这个积分没法直接算，只能靠采样来逼近。

我刚开始做渲染的时候，总觉得采样不就是随机扔光线嘛，有啥技术含量？结果第一次跑室内场景，噪点多得跟雪花似的。后来才明白——采样策略选得好不好，直接决定了你的渲染器是「快且准」还是「慢且糊」。

蒙特卡洛方法，本质上就是用随机样本来估计期望值。公式很简单：

E[f(x)] ≈ (1/N) * Σ f(x_i) / p(x_i)

其中 p(x_i) 是采样概率密度。这个公式告诉我们：采样点越多，估计越准；但收敛速度只有 O(1/√N)。什么意思呢？想减少一半噪声，你得把采样数翻四倍。

核心洞察：蒙特卡洛的收敛速度是固定的，但我们可以通过改变采样分布来降低方差。方差小了，同样的采样数就能得到更干净的图像。

我在项目中遇到过一个问题：用纯随机采样渲染一个带镜面反射的金属球，噪点怎么都压不下去。后来发现，问题出在采样分布上——大部分光线根本没打到光源方向，白白浪费了计算资源。

重要性采样的思路很直白：对贡献大的区域多采样，贡献小的区域少采样。你想想看，如果场景里有个明亮的窗户，大部分光照都是从窗户进来的，那你何必在暗角浪费那么多光线呢？

具体做法是：让采样概率密度 p(x) 与被积函数 f(x) 的形状尽量接近。理想情况下，p(x) ∝ f(x)，方差直接降到零——当然，现实中很难做到完美匹配。

策略	适用场景	采样分布	我个人的经验
BRDF 重要性采样	漫反射/光泽反射	按 BRDF lobes 分布	漫反射用余弦加权，镜面用 GGX，效果立竿见影
光源重要性采样	直接光照	按光源面积/强度分布	多光源场景一定要做，不然小光源几乎采不到
环境贴图重要性采样	IBL 环境光照	按像素亮度分布	我习惯预计算 CDF，运行时查表，效率很高
多重重要性采样 (MIS)	复杂光照路径	混合多种策略	这是最稳的方案，后面会细讲

避坑指南：我曾经在写 BRDF 采样时，忘了处理采样方向在半球外的情形。结果渲染出来的图像出现奇怪的暗斑，排查了两天才找到原因。记得每次采样后都要检查方向是否有效。

纯随机采样有个毛病：它可能在某些区域扎堆，另一些区域却空着。你想想看，如果像素里的 16 个采样点全挤在左上角，那右下角的信息就全丢了。

分层采样就是来解决这个问题的。把采样空间分成若干个子区域，每个区域里至少采一个点。这样能保证采样点不会「抱团」，空间覆盖更均匀。

我记得有一次做动画渲染，运动模糊的噪点特别严重。用了时间分层之后，同样的采样数，画面干净了不止一个档次。说白了，分层采样就是用最小的代价，换取最大的空间均匀性。

这三种策略不是互斥的，实际项目中往往是组合使用。我一般这样选：

注意：重要性采样不是万能的。如果 p(x) 和 f(x) 的形状差异很大，反而可能放大方差。我见过有人对漫反射场景用了镜面 BRDF 采样，结果噪点比纯随机还严重。选策略之前，先搞清楚你的场景到底「重要」在哪里。

下面这张图把三种采样策略的关系和适用场景串起来了，方便你快速回顾：

在实际项目中，我很少只用一种策略。这里分享一个我常用的组合套路：

小技巧：我习惯在调试阶段先关掉重要性采样，只用分层采样跑一遍。这样能快速定位场景中的「热点区域」，然后再针对性地设计重要性采样策略。说白了，先看清问题在哪，再动手优化。

嗯，采样策略这块就聊到这儿。记住一句话：没有最好的采样策略，只有最适合当前场景的采样策略。多试、多调、多对比，慢慢你就能找到手感了。