在Internet上搜索时，我发现了两种稍微不同的方法：
根据需要生成样本并使用过滤器称量结果
一个示例是PBRT
生成具有等于滤镜形状分布的样本
两个示例是smallpt和Benedikt Bitterli的钨丝渲染器
生成并称重
基本过程是：
根据需要创建样本（随机，分层，低差异序列等。）
使用两个样本（x和y）使相机光线偏移。参考像素中心。例如Box滤镜，Tent滤镜，Gaussian滤镜等）。
将权重应用于渲染器中的颜色br />以滤波器的形状生成
基本前提是使用逆变换采样来创建根据滤波器的形状分布的样本。例如，以高斯形状分布的样本的直方图将是： smallpt使用帐篷过滤器的确切逆cdf。合并方法的示例可以在此处找到。
问题
每种方法的优缺点是什么？为什么要在另一个上使用一个？我可以想到几件事：
生成和称重似乎是最可靠的，它允许将任何采样方法与任何过滤器进行任意组合。但是，它要求您跟踪ImageBuffer中的权重，然后进行最终解析。 Lanczos），因为您不能使用否定的pdf。但是，如上所述，由于不需要跟踪任何权重，因此更易于实现。
最后，我想您可以将方法2视为方法1的简化，因为它实际上是使用隐式的Box Filter权重。
#1 楼
关于该主题，2006年有一篇出色的论文，《过滤器重要性采样》。他们提出了您的方法2，研究其性能，并普遍赞成该方法。他们声称，该方法可提供更平滑的渲染结果，因为它会加权所有对像素有贡献的样本，从而减少最终像素值的差异。这是有道理的，因为在蒙特卡洛（Monte Carlo）渲染中一个普遍的准则是，重要性采样将比加权采样提供更低的方差。方法2还具有易于并行化的优势，因为每个像素的计算它们独立于所有其他像素，而在方法1中，样本结果在相邻像素之间共享（因此，当像素在多个处理器之间并行化时，必须以某种方式进行同步/通信）。出于同样的原因，与方法1相比，方法2进行自适应采样（图像的高方差区域中的采样更多）比方法1容易。从滤波器的abs（）采样，然后用+1或-1加权每个样本，如建议的@trichoplax。但这实际上增加了方差并且比方法1差，因此他们得出结论，方法2仅适用于正滤波器。
话虽如此，本文的结果可能无法普遍适用，哪种采样方法更好取决于场景。我在2014年写了一篇博客文章，使用合成的“图像函数”而不是完整渲染，独立地研究了此问题，并发现方法1由于可以更好地平滑高对比度边缘，从而在视觉上提供了令人满意的结果。 Benedikt Bitterli也对此发表评论，他的渲染器报告了类似的问题（使用方法2时，光源周围的高频噪声过大）。除此之外，我发现这两种方法之间的主要区别在于产生的噪声的频率：方法2给出了更高频率的“像素大小”噪声，而方法1给出了2-3个像素的噪声“颗粒”，但是两者的噪声幅度相似，因此哪种噪声看起来不太糟糕可能是个人喜好问题。
评论
$ \ begingroup $
谢谢！这些都是很棒的资源。那么，到底有3种方法？ 1.生成并称重带有飞溅2.生成并称重而不带有飞溅3.以过滤器形状生成
$ \ endgroup $
–RichieSams
16 Mar 3 '16 at 15:54
$ \ begingroup $
您是否知道有任何论文，博客等探讨如何将“生成”和“权重”与splatting并行化？在我的头顶上，每个图块可能有一个互斥量，或者使每个像素都是原子的。
$ \ endgroup $
–RichieSams
16 Mar 3 '16 at 15:57
$ \ begingroup $
@RichieSams实际上，我不知道您为什么要使用“生成和称重而不会产生飞溅” —在任何情况下，这似乎都比过滤重要性抽样更为糟糕。我以为“产生并权衡”意味着会出现飞溅。至于喷溅的并行处理，一种方法是将图像分割为多个图块，但为每个图块提供2×3像素的边框以捕获穿过图块边缘的图块。然后，在最终遍历中，将带边框的图块叠加在一起，形成最终图像。
$ \ endgroup $
–内森·里德（Nathan Reed）
16 Mar 3 '16 at 18:20
评论
只是大声思考...您能否分别对滤波器的负部分建模以生成两组样本，其中一组被视为正样本，另一组被视为负样本？这会允许您为第二种方法使用任意过滤器（以过滤器的形式生成）吗？也许？ Lemme摆弄了一下
好的，如果您跟踪函数的零，则可以将输出abs（）吸收到pdf中。然后在采样时，您可以检查是否为阴性。这里的示例代码：gist.github.com/RichieSams/aa7e71a0fb4720c8cb41