Proxy Tracing: Unbiased Reciprocal Estimation for Optimized Sampling in BDPT
Peking University
一句话总结
本文提出 “代理追踪（Proxy Tracing）” 方法：当双向路径追踪（BDPT）在镜面/高光顶点上做连接产生低贡献路径时，丢弃紧邻镜面顶点的问题顶点并重新追踪一条 “代理子路径” 来补全路径，使连接满足窄瓣 BSDF 约束；并配套一个高效、方差有上界的无偏倒数估计器（unbiased reciprocal estimator）来估计不完整路径的 PDF 倒数，从而在保持无偏的前提下高效采样 \(LDD(S|D)^*SDS^*E\) 这类含镜面的困难路径。
研究背景
双向路径追踪（BDPT）是渲染真实感图像的主流技术之一，其核心是连接（connection）策略：从相机追踪一条眼子路径、从光源追踪一条光子路径，再把两者的端点连接成一条完整路径。当两端点都落在漫反射表面时，连接工作得很好；但只要有一个端点落在镜面或高光表面（具有窄瓣、高频特性的 BSDF），连接出的完整路径几乎无法满足 BSDF 的方向约束，贡献可忽略，导致方差急剧上升。
作者用 Veach 的路径记号来刻画这类困难路径：\(L\) 表示光源顶点、\(D\) 表示漫反射顶点、\(S\) 表示镜面/高光顶点、\(E\) 表示相机，连字符 \(-\) 表示眼子路径与光子路径的连接位置。像 \(LDD{-}SDSE\)、\(LDDS{-}DSE\) 等在镜面处发生连接的策略都表现很差；唯一可行的往往是从相机单向追踪整条 \(LDDSDSE\)，但当镜面 \(S\) 离漫反射面 \(D\) 很远时，从 \(D\) 弹射到 \(S\) 的 PDF 极小，单向追踪同样低效。
已有的概率连接方法（Popov、Nabata、SPCBPT 等）擅长根据眼子路径重采样光子路径，但仍无法满足高频镜面约束；多重重要性采样（MIS）也无法从根本上解决问题。因此，如何在 BDPT 的连接框架内高效、无偏地采样含镜面的困难路径，是本文要解决的核心问题。
核心方法
代理采样（Proxy Sampling）的思想
作者的关键想法是 “丢弃并补全（dropout-and-complement）”：对一条从初始分布采到的完整路径 \(\bar{x}\)，把导致高方差的问题顶点 \(\bar{g}\) 丢掉，得到不完整路径 \(\bar{h}\)，再从一个更有利的条件分布重新追踪代理顶点 \(\bar{g}\) 补回来，构成新的完整路径。形式化地定义丢弃操作 \(\bar{h}=D(\bar{x},\bar{g})\) 与修补操作 \(\bar{x}=R(\bar{h},\bar{g})\)，最终路径的采样 PDF 为：
\[p_d(\bar{x}) = p(\bar{h})\,p(\bar{g}\mid\bar{h})\]
具体到 BDPT 的镜面场景：当光子路径终止在镜面顶点 \(y_{s-1}\)、要与眼子路径连接时，保持眼子路径与镜面顶点不变，丢弃紧邻镜面顶点的顶点（倒数第二个顶点 \(y_{s-2}\)），根据眼子路径端点 \(z_{t-1}\) 的方向和镜面 BSDF 重新追踪一个 “代理顶点”。这样连接方向天然落在镜面窄瓣内，把原本无效的路径转化为高贡献路径。若末端有 \(u\) 个连续镜面顶点，则重追踪 \(u\) 个顶点。为保证代理路径唯一可确定，重追踪出的顶点在镜面/漫反射属性上必须与被替换的原顶点一致，否则丢弃该连接。
核心难点：不完整路径的 PDF 倒数
难点在于：不完整路径 \(\bar{h}\) 可能来自无穷多条不同的原始路径，其 PDF 需要对所有可能的问题路径积分：
\[p(\bar{h}) = \int_{A^u} p[R(\bar{h},\bar{g})]\,d\mu(\bar{g})\]
这个积分一般无法解析求出。虽然可以用蒙特卡洛得到 \(p(\bar{h})\) 的无偏估计 \(\tilde{p}(\bar{h})\)，但 \(1/\tilde{p}(\bar{h})\) 并不是 \(1/p(\bar{h})\) 的无偏估计——直接代入路径积分分母会引入偏差。因此必须构造 \(1/p(\bar{h})\) 的无偏倒数估计。
作者也讨论了替代方案：随机多重重要性采样（SMIS）/边缘多重重要性采样（MMIS）可把不同原始路径视为连续技术空间中的不同技术再做 MIS。但 SMIS 在 \(\alpha\to 0\)（不同技术只覆盖 \(f(x)\) 的不同片段）时方差急剧增大，纯镜面时甚至产生偏差；且其代价随技术数呈 \(O(n^2)\) 增长（跨技术需做可见性测试），不适合代理采样这类复杂分布。
无偏倒数估计器
作者采用 Blanchet 等人的泰勒展开框架。设 \(\beta=\int_R f(x)\,dx\)，目标是无偏估计 \(\alpha=1/\beta\)。取常数 \(B\)、令 \(A=B-\beta\)，在 \(A=0\) 处泰勒展开：
\[\frac{1}{B-A} = \frac{1}{B}\sum_{n=0}^{\infty}\frac{A^n}{B^n}\]
用支撑分布 \(q\) 采样，可用 \(n\) 个独立样本构造 \(A^n/B^n\) 的无偏估计：
\[\tilde{I}_n = \prod_{i}^{n}\left(1-\frac{f(x_i)}{B\,q(x_i)}\right)\]
因为 \(E\big[1-\tfrac{f(x_i)}{B q(x_i)}\big]=\tfrac{A}{B}\)。这里刻意用 \(1-\tfrac{f}{Bq}\) 而非 \(\tfrac{B-f}{Bq}\)，是因为前者的最优支撑分布是 \(q\propto f(x)\)（易于构造），后者则是 \(q\propto 1-f(x)\)（难构造）。
针对无穷求和，作者不直接采样项数 \(N\)（Blanchet 的成本最优分布含无法闭式求解的项），而是借鉴单向路径追踪，用俄罗斯轮盘赌与分裂（RRS） 逐前缀地控制采样。对含 \(k\) 个顶点的路径 \(\bar{x}\)，估计器为：
\[\tilde{I}(\bar{x}) = \frac{\prod_{0\le i 作者提出的 RRS 函数为： \[r(\bar{x}) = \left|\,1-\frac{f(x_{k-1})}{B\,q(x_{k-1})}\,\right|\] 并在附录中证明该 RRS 函数是 “次优（sub-optimal，即在特定假设下最优）”，无需手动设置任何超参数——这与 Booth [2007] 需要手调参数 \(r\) 的俄罗斯轮盘赌形成对比。代入后估计器简化为： \[\tilde{I}(\bar{x}) = \left(1-\frac{f(x_{k-1})}{B\,q(x_{k-1})}\right) S(\bar{x})\] 其中 \(S(\bar{x})=\prod_{0\le j 支撑分布构造。 估计 \(1/\mathcal{P}(u,h_c,y_{s-1},\omega_c)\) 时，用三种策略采样代理路径并均匀混合：(1) 光源采样（仅当唯一待追踪顶点在光源上、\(\bar{g}=y_0\)）；(2) 从控制顶点 \(h_c\) 追踪（\(u=1\) 且 \(y_0\notin\bar{g}\)，按 \(h_c\) 处 BSDF 或余弦半球采样方向）；(3) 从镜面顶点 \(y_{s-1}\) 追踪（\(u>1\) 时唯一可用策略，从 \(y_{s-1}\) 余弦半球出发逐个追踪）。 倒数估计的四个决定变量。 不完整光子路径的 PDF 由光泽计数 \(u\)、控制顶点 \(h_c\)、控制方向 \(\omega_c\)、镜面顶点 \(y_{s-1}\) 唯一确定。这四个量都在光子路径追踪阶段就能确定，与眼子路径无关。因此倒数估计可在光子路径追踪时完成，而非运行时连接时，从而复用光子子路径（light sub-path reuse）：只对少量不完整光子路径做倒数估计，再与所有像素的眼子路径连接，大幅降低开销。 MIS 权重。 由于 \(1/p(\bar{h})\) 是随机变量会引入额外方差，标准的 PDF 正比平衡启发式不再最优。作者重新推导了适用于倒数估计的最优 MIS 权重： \[w_t(\bar{x}) = \frac{1/\big(E[\tfrac{1}{\tilde{p}_t^2(\bar{x})}]\,p_t(\bar{x})\big)}{\sum_i 1/\big(E[\tfrac{1}{\tilde{p}_i^2(\bar{x})}]\,p_i(\bar{x})\big)}\] 当 \(p_t\) 无方差可精确计算时，退化为经典平衡启发式；倒数估计方差越大，代理采样分到的 MIS 权重越小。 子空间统计与概率光源选择。 借鉴 SPCBPT 的子空间思想，渲染前用 PT 预追踪少量 \(L(S|D)^*SDS^*E\) 路径，把 \((h_c,\omega_c)\) 归入控制子空间、\(y_{s-1}\) 归入镜面子空间，用 \(\mathcal{P}(u,C,S)\) 近似统计数据，用于选择上界 \(B\) 和计算 MIS 权重。方法基于 SPCBPT 实现，用镜面子空间缓存并重采样不完整光子路径，并在线学习子空间采样矩阵 \(\Gamma[T,S]\)。 实验基于 OptiX 架构，在 RTX 3090 上以 1920×1000 分辨率、六个场景（Bedroom、Breakfast、Projector、Hallway、Kitchen、Water）测试，覆盖不同光照与光泽表面设置。对比基线包括：PT+NEE、SPCBPT、SPCBPT+光追踪（LT）、LVCBPT+LT（GPU 加速 BDPT 基线）。评价指标为平均绝对百分比误差（MAPE）。 代价方面：由于倒数估计、代理顶点重追踪与 MIS 权重计算，本方法每次迭代比 SPCBPT 慢约 25%~50%。 主要贡献： 局限： 代理追踪的本质是把 “难采样的路径片段” 替换成 “在给定约束下容易采样的等价片段”，并用无偏倒数估计补偿由此带来的 PDF 不可解析问题。这一 “丢弃—补全—倒数估计” 范式并不局限于镜面路径：任何在某局部分布下高方差、但在条件分布下易采样的场景（体渲染、光子映射、可微渲染中的路径重参数化等）都可能受益。文中已展示其在光子平面体渲染中替代 SMIS 的潜力，提示无偏倒数估计有望成为一种通用的方差缩减工具，与概率连接、路径引导、重采样等现代蒙特卡洛技术组合，进一步扩展鲁棒光线传输算法的适用边界。技术细节
实验结果
贡献与局限
延伸思考