Conference

ReSTIR PG: Path Guiding with Spatiotemporally Resampled Paths

Zheng Zeng, Markus Kettunen, Chris Wyman, Lifan Wu, Ravi Ramamoorthi, Ling-Qi Yan, Daqi Lin

NVIDIA

SIGGRAPH Asia 2025RenderingPath GuidingReSTIRPath TracingGlobal IlluminationReal-Time RenderingImportance Sampling
PaperProject

一句话总结

ReSTIR PG 发现 ReSTIR 时空重采样后保留下来的路径，其反弹方向天然逼近”入射辐射度乘以余弦加权 BSDF”的理想局部引导分布，于是直接用这些高质量样本拟合轻量引导分布，去改善下一帧的初始候选路径，从而在保持实时性能的同时降低方差、抑制相关性伪影。

研究背景

ReSTIR 通过在空间和时间上重采样路径，已成为实时路径追踪降噪的主流手段。但它的最终质量强烈依赖初始候选样本的质量：当初始样本分布很差时，少数高能量样本会在重用过程中主导整个重采样，形成所谓的样本贫化（sample impoverishment），在困难场景里表现为低频”沸腾”或斑块状的相关性伪影。

一个自然的补救办法是路径引导（path guiding）。但传统路径引导通常从原始路径追踪样本拟合引导分布，需要稠密数据、常常分成独立的训练与渲染两阶段，这在离线可行，在实时里却成问题：动态场景下 1spp 的样本既稀疏又带噪，靠时间累积又会让分布产生滞后。

作者的关键观察是：ReSTIR 每帧经过时空重采样后选出的样本，本身就已经近似目标路径贡献分布，并通过在像素间共享高贡献路径显著提高了有效采样密度。因此哪怕只用单帧的这类样本，也足以拟合出可靠的引导分布，无需时间累积，也就避免了滞后。

方法

整体框架

ReSTIR PG 建立在 ReSTIR PT 之上，在原有管线里插入三个额外阶段：第 \(i\) 帧时空重采样后，把 ReSTIR 选中路径每个顶点的入射方向”泼溅”（splat）进一个世界空间哈希网格；在该帧末尾，对每个空间单元拟合一个方向引导分布；到第 \(i+1\) 帧，用这些拟合好的分布去引导新的初始候选路径生成。引导与重采样由此形成正反馈闭环：ReSTIR 为引导提供高质量输入，引导又改善下一帧供 ReSTIR 使用的样本。

flowchart TD
    A[第 i 帧 ReSTIR PT<br/>时空重采样] --> B[收集选中路径样本<br/>顶点位置/法线/BSDF ID/入射方向]
    B --> C[Splat 入射方向到世界空间哈希网格<br/>Section 4.3]
    C --> D[每个空间单元用 EM 拟合<br/>vMF 混合分布 Section 4.4]
    D --> E[第 i+1 帧<br/>用引导分布采样初始候选 Section 4.5]
    E --> F[BSDF 采样 + 引导采样<br/>单样本 MIS 组合]
    F --> A

关键设计

  1. 理论洞察：理想的局部引导分布是 \(p(\omega_i \mid x, \omega_o) \propto \rho(x, \omega_o, \omega_i)\, L_i(x, \omega_i)\, \cos\theta\)。作者证明，若一组路径样本按路径贡献函数分布（正是 ReSTIR 样本近似满足的），那么在每个顶点上局部反弹方向的分布恰好正比于上式。这样就能直接从 ReSTIR 样本中提取理想局部引导分布，而无需显式估计入射辐射度。这一结论是 Schüßler 等人（2022）在单像素情形下推导的推广：作者把它扩展到逐像素路径分布，从而能复用已适配各像素目标函数的 ReSTIR 样本。

  2. 降维到 2D 边缘分布：直接表示 \(p(\omega_i \mid x, \omega_o)\) 需要拟合 7D 高维模型并在运行时查询条件分布，实时下不可行。作者先按空间单元划分场景去掉对位置 \(x\) 的显式依赖，再利用边缘与条件分布关系把 4D 条件分布约化为 2D 边缘分布 \(p(\omega_i) \propto L_i(\omega_i)\cos\theta \int_{H^2} \rho(\omega_o, \omega_i)\, p(\omega_o)\, \mathrm{d}\omega_o\)。在漫反射面上该边缘分布严格正比于理想目标；在光泽面上，积分项相当于对出射分布做 BSDF 加权平均，把光泽反射的方向偏好嵌入边缘分布，实践中不比仅基于入射辐射度的分布差。

  3. 空间结构与分布表示：采用可随视距自适应分辨率的非均匀空间哈希网格，并把哈希函数扩展为显式编码 BSDF ID，使相同 BSDF 的单元被归到一起。每个单元用 4 个分量的 von Mises–Fisher（vMF）混合模型表示 \(p(\omega_i)\)。由于收集到的入射方向已匹配目标分布，无需基于辐射度的加权，作者直接用标准 EM 算法而非加权 EM 来拟合。

  4. 引导采样与无偏性：在路径构造时，以固定概率 \(\alpha = 0.5\) 在 BSDF 采样与 vMF 引导采样之间随机选择，用单样本 MIS 组合两者。这样即使引导分布质量差，也能保证无偏与鲁棒，且无需额外的预热阶段。

实验结果

方法基于 Falcor 框架实现，在 1920 \(\times\) 1080 分辨率、NVIDIA RTX 6000 Ada GPU 上以 1spp 评测，误差用平均绝对百分比误差（MAPE，越低越好）。下表为论文首图（Fig. 1）在两个代表场景上的对比：与不加引导的原始 ReSTIR PT（Without PG）以及基于原始路径追踪样本的引导方法 \lbrack Ruppert et al. 2020\rbrack 相比，本方法 MAPE 最低，且时间开销仍维持实时。

场景 方法 MAPE ↓ 时间
Barcelona Pavilion Without PG 0.4609 21.0 ms
Barcelona Pavilion \lbrack Ruppert et al. 2020\rbrack 0.5279 37.9 ms
Barcelona Pavilion Our method 0.3127 34.1 ms
Veach Ajar Without PG 0.3011 9.6 ms
Veach Ajar \lbrack Ruppert et al. 2020\rbrack 0.3499 13.6 ms
Veach Ajar Our method 0.2031 13.4 ms

此外，作者统计了各场景每帧在空间单元里的有效样本数：ReSTIR 样本数量始终远多于原始 PT 样本（例如 Veach Ajar 为 3055 对 164，Living Room 为 2282 对 95），验证了”重采样输出更稠密”这一动机。方法额外开销约为采集与泼溅 25%、拟合 25%、采样 50%；在动态光照下，基线出现严重的相关性伪影（沸腾斑块），而本方法结果明显更干净。

亮点与局限

亮点：

  • 首次把 ReSTIR 与路径引导联系起来，既用引导改善 ReSTIR 样本，又用 ReSTIR 样本改善引导，形成正反馈闭环。
  • 用一个简洁的理论推导说明”按贡献分布的路径样本，其局部反弹方向即理想引导分布”，从而无需显式估计入射辐射度、无需高维条件建模。
  • 仅用单帧的时空重采样样本即可拟合，避免时间累积带来的分布滞后，对场景变化响应更快，并保持实时性能。

局限：

  • 只拟合下一反弹方向的 2D 边缘 PDF，在光泽材质上引导质量可能次优；而直接拟合完整 4D 分布往往既慢又不准。
  • 引入了不可忽略的运行时与显存开销（每反弹约 102.8 MB 存储 ReSTIR 样本，哈希网格随场景可达数十 MB），随反弹数和有效单元数增长。
  • 当 ReSTIR 本身彻底失效（例如无法进行有效重用）时，”样本近似理想分布”的前提会被打破。

延伸思考

这项工作最有启发性的地方，是把”重采样”和”引导”这两条原本独立的降噪思路耦合成一个自增强循环：重采样天然产出的高质量样本被当作免费的训练数据反哺引导，而不是额外再跑一遍路径追踪去收集训练路径。这提示我们，实时渲染里很多”中间产物”可能都蕴含着可复用的分布信息，值得被显式挖掘。沿着作者指出的方向，用更具表达力的拟合器（如小型神经网络）替代 vMF 混合模型，或许能更好地刻画光泽材质的方向依赖，缓解 2D 边缘分布在高光下的局限；而引导与 ReSTIR 的耦合也意味着，ReSTIR 端的任何改进（如样本突变、更好的时间偏移映射）都能顺势提升引导质量，二者的协同还有进一步压榨的空间。