我有一个我想继续研究的部分构想，但是首先，我想让专家了解一下这是否是一种预先存在的技术，因此我不再重复已经完成的工作。
我已经搜索了“采样立体角”和“ voronoi球采样”，但看不到任何先前工作的迹象。如果有一个我想到的名字，我会描述一下我的想法。
示例图片
平面上的三个球体的图像（实际上是一个非常大的球体）。一种是自发光的，一种是反射的，一种是哑光的（地板也是如此）。采样是自适应的，因此快速达到稳定颜色的像素不会占用太多时间。我限制了每个像素的样本总数，以避免渲染持续太长时间。即使允许运行一整夜，生成的图像也非常粗糙，对较小的图像进行实验表明，此尺寸的图像（1366 x 768）将需要数周的时间才能与我目前的方法融合。沿颜色边界
我希望能够将样本集中在需要的地方，并根据先前针对相同交点或像素的样本进行自适应处理。这将给样本的分布带来未知的偏差，这意味着对样本进行平均将得出不准确的结果。相反，我想考虑单位半球表面上以相交点为中心（用于对入射在无光表面上的点入射的光进行采样）或小圆表面（用于在周围进行采样）上的voronoi细胞的大小像素）。
假设该voronoi细胞内的所有点都接收与voronoi细胞中心相同颜色的光线。现在，可以通过根据每个voronoi细胞的面积加权来获得平均颜色的估计值。在两个voronoi细胞之间的边界上选择颜色差异最大的新样本可导致估计的改进，而无需对整个半球进行采样。样品最终应更密集地集中在较高颜色渐变的区域。一旦它们的边界附近有几个点，则平坦的区域最终将被忽略。我所描述的简化方法大致等效于大量均匀分布的样本。为了完成这项工作，我需要能够通过voronoi单元区域和所需的分布（哑光表面的法线周围或像素中心附近的高斯分布）偏向平均值。
因此，在测试这个想法之前，我还有更多的思考要做，但是我想先检查一下是否已经完成或被排除为不可行。
#1 楼
听起来您正在尝试对半球表面进行自适应细分。确实已经尝试过了，尽管可能不是您想的那样。通常，对于半球积分，人们在半球上使用一些分布良好的预定义采样密度，而忽略了自适应细分。
但是您可能会遗漏了这一点。
做这些事情的整个想法是对积分进行更好的估算。但这不是您关心的半球不可或缺的部分。您要在像素上积分以获得AA，在光圈上获得景深，在光上获得柔和阴影，在半球上获得GI，随着时间的推移获得运动模糊，在波长之上获得色散。 ， 等等。您正在整合所有这些。这是一个荒谬的高维空间，数十年的发展表明，您需要更仔细地探索它，而不必更快地探索它。也就是说，您从广度而不是深度获得更好的结果。
所有的内容都非常抽象。
重点是：您不想在半球上进行大量采样样本。您想用一个样本在半球上采样，然后继续。这称为路径跟踪。它与射线追踪的不同之处在于，射线树的最大宽度为1（或2）。
关键的见解是，如果您的随机样本在所有维度上分布均匀，则其他光线会“填充”您丢失的树的其余部分。
举一个直观的例子：假设您正在执行4倍AA。因此，您通过一个像素发射四束光线。他们可能命中了非常相似的点（创建了相似的反射半球）。然后，它们各自精确地发射一条递归射线。但是，由于四个半球几乎位于同一位置，因此递归射线（kindof）对所有半球都有效。因此，这四个路径中的每一个都会获得其他三个路径的一些好处。
这有点像波澜不惊的数学运算，但是由于每个路径实际上都是彼此独立的，并且您获得的颜色是对整个场景照明的无偏估计，因此将它们平均在一起是无偏的。实际上，它收敛得更快。
显然，如果可以对半球的积分进行廉价估算，则可以使用它-这是预积分（圆锥跟踪等），重要性采样（下一步事件估计，光采样）或更好的路径（BDPT，光子映射），但对于一种简单的方法，使用路径跟踪而不是随机射线跟踪通常总是更好。
也
matt-> matte（或mat，在紧要关头）。这是一个法语借词，不是一个人的名字，我不在乎美国词典怎么说。评论
$ \ begingroup $
我的目标是使区域拼写差异与作者预期的一样，并且仅在标签中进行标准化（在重要的地方）。但是，对于我自己的帖子，我对可接受的本地拼写感兴趣，因此从现在开始我将使用遮罩-谢谢：）
$ \ endgroup $
–trichoplax
2015年9月2日，下午6:17
评论
您的想法听起来有点像锥体追踪和重要性抽样，您可以阅读一下（：这听起来有点像这篇论文：graphics.cornell.edu/pubs/2004/Don04.pdf它是具有自适应概率密度函数的有效重要性抽样。我的直觉是它可以工作，但您需要小心避免遗漏，因此会忽略一些小的功能（例如，小的远距离照明灯）。
这是关于自适应重要性抽样的另一篇论文：citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.23.2520
这不是一回事，但是对高梯度区域的关注使我想起了梯度域路径跟踪。但是，在攻击像这样的复杂技术之前，我将从分层采样和重要性采样之类的更基础的东西开始，以降低方差。
这是分层和低差异抽样的参考。