Real-time Ray Tracing

无论是软阴影还是全局光照，光线追踪都很容易做，唯一的缺点就是速度太慢了，所以如何把光线追踪做到实时人们进行了大量的研究

SPP：

sample per pixel，spp，它代表一个光路的样本。

第一条是视角看过去的光线（未画出），这个可以用光栅化方法做，速度更快

Denoising：

那么我们上面提到了 1 spp，现代的硬件已经允许我们去做 1 spp 的路径追踪了，但是我们之前介绍过路径追踪，如果 spp 只有 1 的话，那么得出的结果是有严重的噪声的。所以 RTRT 的关键技术其实就是降噪。

Temporal accumulation / filtering

首先我们是假设画面变化是连续的而没有突变，帧和帧之间有一定的连续性，其次我们认为当前帧的前一帧是已经被滤波好了的，也就是一个递归的思想，这是 Temporal filtering 的一个基本思路。

Motion vector

Motion vector：对应上一帧和当前帧任意一个点的对应位置，上一帧已经滤波好了的画面可以拿到当前帧复用

G-Buffer

屏幕空间上储存的一系列信息，如深度图，法线图，世界坐标，基础色 (kd) 等等。也就是我们渲染的过程中可以免费得到的一些信息，也就是生成储存它们不需要太大的开销

Back Projection

通常在 G-Buffer 里已经有了，如果没有也可以通过 MVPE 矩阵逆变换去找到某个点的世界坐标。

再通过 T 的逆变换知道上一帧的世界坐标，然后再计算上一帧的屏幕坐标，从而得到 Motion Vector

Temporal Accum. / Denoising

先把当前帧降噪，再结合上一帧降噪（上一帧贡献更大）

Temporal Failure

切换场景
倒退着走或者移动某个障碍物（视角中内容变多，会有新的信息显示在屏幕中）

产生拖影（Lagging）

对于地面而言是不动的，只有光和阴影在动，我们只有物体的 motion vector 而没有阴影的

同理对于 Glossy Reflected Image 的 motion vector 也不知道

Adjustments to Temp. Failure

Temporal Clamping And Detection

Clamping：调整 α 的值，使得当前帧的贡献更大一些

Detection：假设我们Motion vector找对应物体的ID不同，我们就不去采用上一帧的信息。而如果检测不能用，我们就需要调整 blending 中 α 的值了，让本帧的贡献更高一些

这两种方法会造成噪声增加

Filter

高斯滤波

空域滤波

双边滤波

Bilateral Filtering

高斯滤波会模糊图片，双边滤波在细节处减少高斯滤波的权重或1不使用。

但是不好区分高频的到底是噪声还是边界

联合双边滤波

Joint Bilateral Filtering

通过 G-buffer 中的免费信息（这是没有噪声的）来做判断

A-B：深度不一样，不考虑之间的贡献
B-C：法线不一样，不考虑之间的贡献
D-E：颜色不一样，不考虑之间的贡献

Large Filters

方法一：为了减小开销，将 n * n 的滤波核变成两次滤波一次横向 1 * n，一次纵向 n * 1

方法二：

Outlier Removal

在 filter 之前做

对一个像素周围一圈范围内进行计算，以 7x7 为例那就是计算 7x7 个像素值的均值μ和方差σ，并且我们认为这里面的所有像素的值都应该在 [μ-kσ,μ+kσ] 范围内。自然其中如果有像素超过了这个范围，我们就认为这是一个 Outlier

Clamp：

假设 μ=0，σ=0.1，那么范围就是 -0.1~0.1，此时假设有一个像素的值为 10 就把它 Clamp 到 0.1，如果是 -1 就把它变成 -0.1。这样我们就在滤波之前把 Outlier 去掉了

SVGF

Spatiotemporal Variance-Guided Filtering

深度：深度中 ▽ 项是考虑到 A 和 B 深度不一样。但其在同一平面上，在法线方向的深度是差不多的，所以需要这一项来平衡。σz 是一个参数，控制衰减的强度，而 ϵ 是为了防止分母为0的情况加上的一个小的常数。

法线：与布林冯模型的高光相同的，从0截断，并且加上一个指数σz控制衰减速度

颜色：两点的颜色灰度差异可以判断两点之间没有贡献，但是如果 B 点恰巧在白色的噪点上，那么 A，B 将会被误认为是有贡献，这时候就需要 B 点的方差来进一步判断此时 B 点的颜色是真的颜色值还是噪点了

计算方差：首先在一切开始之前先计算一次该点的方差，比如 7x7 范围内的，之后我们还可以通过 temporal，通过在时间上的累计计算平滑的方差，最后在使用之前我们再取一个小范围比如 3x3 做平均，最后作为颜色差异滤波核的分母根号项

即当 B 标准差比较大，就不太愿意相信这两个点有颜色差异

RAE

利用神经网络

SVGF vs. RAE

SVGF 更快、质量更高，但是都有残影

RAE 对于高 SPP 性能稳定