光线追踪技术深度解析：从渲染方程到实时路径追踪的完整理论体系与实践

摘要：光线追踪（Ray Tracing）是计算机图形学中最具影响力的渲染技术之一，从电影级离线渲染到游戏实时渲染，其应用范围持续扩展。本文系统梳理光线追踪的完整理论体系：从光的物理本质与渲染方程的数学形式出发，深入分析 Whitted 风格光线追踪、路径追踪、光子映射等核心算法的设计原理与收敛特性，详细讨论 BVH 加速结构、重要性采样、去噪等工程优化方法，并涵盖 NVIDIA RTX 硬件加速、UE5 Lumen 等现代实时光线追踪系统架构。最后结合无人机仿真中的传感器渲染需求，探讨光线追踪在仿真领域的工程实践。

引言：从光栅化到光线追踪——渲染范式的转变

计算机图形学在过去三十年间经历了两次重大范式转变。第一次是 1990 年代固定管线到可编程着色器的转变，第二次就是当下正在发生的光栅化（Rasterization）到光线追踪（Ray Tracing）的转变。

光栅化的核心思想：将三维场景中的几何体投影到二维图像平面，通过深度测试（Z-buffer）确定可见性。其计算复杂度与场景中的三角形数量成正比，但对于反射、折射、软阴影、全局光照等效果，需要大量近似技巧（Shadow Map、环境贴图、Screen Space Reflection 等）。

光线追踪的核心思想：模拟光在场景中的物理传播路径，从相机出发反向追踪光线与场景的交互。其计算复杂度与图像分辨率×采样数×路径深度成正比，但能够自然处理反射、折射、全局光照等效果——它直接求解的是光的物理方程，而非视觉近似。

这一范式转变的驱动力来自三个方面：

1. 硬件成熟：NVIDIA RTX 系列 GPU 集成了专用的 RT Core 硬件加速单元，将光线与三角形求交的速度提升了 1-2 个数量级
2. 算法突破：实时去噪算法（SVGF、NRD、DLSS Ray Reconstruction）使低采样率路径追踪的结果可用
3. 需求升级：电影级视觉质量、物理级精确仿真对渲染真实感的要求持续提高

一、光的物理本质与渲染方程

1.1 光与物质的交互模型

光线追踪的物理基础是几何光学（Geometrical Optics），它将光视为沿直线传播的射线。光与物质表面的交互可以用双向反射分布函数（BRDF）来描述。

BRDF 定义：

$$f_r(\omega_i, \omega_o) = \frac{dL_o(\omega_o)}{dE_i(\omega_i)} = \frac{dL_o(\omega_o)}{L_i(\omega_i)\cos\theta_i d\omega_i}$$

其中 $\omega_i$ 是入射方向，$\omega_o$ 是出射方向，$\theta_i$ 是入射方向与表面法线的夹角。

BRDF 的两个基本性质：

1. Helmholtz 互易性（Reciprocity）：

   $$f_r(\omega_i, \omega_o) = f_r(\omega_o, \omega_i)$$

2. 能量守恒（Energy Conservation）：

   $$\int_{\Omega} f_r(\omega_i, \omega_o) \cos\theta_i d\omega_i \leq 1, \quad \forall \omega_o$$

对于非漫射表面（如金属、玻璃），BRDF 的常见解析模型包括：

Cook-Torrance 微表面模型（金属材质）：

$$f_r(\omega_i, \omega_o) = \frac{F(\omega_i, h)G(\omega_i, \omega_o, h)D(h)}{4(\omega_i \cdot n)(\omega_o \cdot n)}$$

其中三个分量的物理含义：

• $D(h)$：法线分布函数（NDF），描述微表面法线的统计分布——常用 GGX（Trowbridge-Reitz）模型
• $G(\omega_i, \omega_o, h)$：几何遮蔽函数，描述微表面间的自遮挡效应
• $F(\omega_i, h)$：菲涅尔项，描述入射角对反射率的影响——可用 Schlick 近似高效计算

1.2 渲染方程——全局光照的数学形式

渲染方程（Rendering Equation）由 Kajiya 于 1986 年首次提出，是光线追踪算法的理论基础：

$$L_o(p, \omega_o) = L_e(p, \omega_o) + \int_{\Omega} f_r(p, \omega_i, \omega_o) L_i(p, \omega_i) (\omega_i \cdot n) d\omega_i$$

该方程的关键含义：

• $L_o(p, \omega_o)$：从点 $p$ 沿方向 $\omega_o$ 出射的辐射亮度
• $L_e(p, \omega_o)$：点 $p$ 自身发射的辐射亮度（自发光项）
• $\int_{\Omega} \cdots d\omega_i$：对所有入射方向的半球积分
• $L_i(p, \omega_i)$：从方向 $\omega_i$ 到达点 $p$ 的入射辐射亮度——这本身包含了场景中其他物体的反射，使得方程具有递归性质

渲染方程的递归本质是光线追踪算法设计中最核心的挑战。将 $L_i(p, \omega_i)$ 展开为另一表面点的 $L_o$，渲染方程就变成了一个高维积分方程，其维数等于路径中的弹射次数。Kajiya 证明了该方程的解对应 Neumann 级数展开的无限和。

1.3 路径积分形式

将渲染方程重新表述为路径积分形式（Path Integral Formulation）为蒙特卡洛求解提供了直接理论基础：

$$I_j = \int_{\Omega} L_e(x_0 \to x_1) \cdot G(x_0 \leftrightarrow x_1) \cdot \prod_{k=1}^{n-1} f_r(x_{k+1} \to x_k \to x_{k-1}) \cdot G(x_k \leftrightarrow x_{k+1}) \cdot W_e(x_{n-1} \to x_{n-2}) dA(x_0) \cdots dA(x_{n-1})$$

其中几何项 $G(x \leftrightarrow y)$ 包含了可见性函数 $V(x, y)$（判断两点间是否有遮挡）和几何衰减因子 $\frac{|\cos\theta_x \cos\theta_y|}{\|x - y\|^2}$。

路径积分形式的关键洞察是：渲染结果是所有可能光路贡献的积分。每条路径 $\bar{x} = x_0 x_1 \cdots x_k$ 对应一条从光源到相机的完整光子传输路径。

二、光线追踪核心算法

2.1 Whitted 风格光线追踪

Turner Whitted 在 1980 年提出的递归光线追踪算法是光线追踪领域的奠基之作。其核心流程：

1. 对每个像素，从相机发出一条主光线（Primary Ray）
2. 光线与场景求交，找到最近交点
3. 在交点处计算：
   • 局部光照：使用 Phong/Blinn-Phong 模型计算直接光照
   • 反射方向：递归发射反射光线
   • 折射方向：若材质透明，按 Snell 定律发射折射光线
   • 阴影光线：向各光源发射检测光线，判断是否被遮挡

Whitted 算法虽然能产生反射、折射和硬阴影效果，但其局限在于：

• 只处理完美镜面反射和折射
• 漫射表面只计算直接光照
• 无法产生焦散（Caustics）、软阴影、颜色渗透（Color Bleeding）等效果

2.2 路径追踪——Kajiya 的革命

路径追踪（Path Tracing）由 Kajiya 在 1986 年提出，是渲染方程的第一个通用蒙特卡洛求解器。其核心思想：对于每个像素，只追踪一条完整路径，用这条路径的贡献作为该像素辐射亮度的无偏估计。

算法流程：

for each pixel:
    radiance = 0
    for s = 1 to S (采样数):
        ray = generate_camera_ray(pixel)
        radiance += trace_path(ray)
    pixel_color = radiance / S

function trace_path(ray):
    hit = scene.intersect(ray)
    if no hit: return 0
    
    // 直接光照采样
    direct_light = sample_direct_light(hit)
    
    // 继续路径（俄罗斯轮盘赌决定是否终止）
    if russian_roulette() == continue:
        new_direction = sample_brdf(hit)
        new_ray = Ray(hit.point, new_direction)
        indirect = trace_path(new_ray) * brdf / pdf
    else:
        indirect = 0
    
    return direct_light + indirect

路径追踪的收敛性：路径追踪以 $O(1/\sqrt{N})$ 的速率收敛到渲染方程的真解，其中 $N$ 是每像素采样数。这意味着要减少 50% 的噪声，需要 4 倍的采样量。

2.3 蒙特卡洛积分与方差缩减

路径追踪的核心数学工具是蒙特卡洛积分。对于积分 $I = \int_{\Omega} f(x) dx$，其蒙特卡洛估计量为：

$$I \approx \frac{1}{N} \sum_{i=1}^{N} \frac{f(X_i)}{p(X_i)}, \quad X_i \sim p(x)$$

其中 $p(x)$ 是概率密度函数。当 $p(x) \propto f(x)$ 时，估计量的方差为零——这就是重要性采样（Importance Sampling）的理论基础。

BRDF 重要性采样：对于漫反射 BRDF $f_r = \rho_d / \pi$，按照余弦分布采样 $\cos\theta$：

$$p(\theta, \phi) = \frac{\cos\theta \sin\theta}{\pi}$$

变换后的采样公式：

$$\theta = \arccos(\sqrt{\xi_1}), \quad \phi = 2\pi\xi_2, \quad \xi_1, \xi_2 \sim U[0,1]$$

多重重要性采样（Multiple Importance Sampling, MIS）是 Veach 提出的方差缩减关键技术。当从 BRDF 和光源两个不同的分布采样时，MIS 通过加权组合两个估计量来降低方差：

$$F = \frac{1}{n_f} \sum_{i=1}^{n_f} \frac{f(X_i) w_f(X_i)}{p_f(X_i)} + \frac{1}{n_g} \sum_{j=1}^{n_g} \frac{f(Y_j) w_g(Y_j)}{p_g(Y_j)}$$

其中常用的权重函数是幂启发式（Power Heuristic）：

$$w_s(x) = \frac{(n_s p_s(x))^\beta}{\sum_k (n_k p_k(x))^\beta}, \quad \beta = 2$$

2.4 光子映射与双向方法

光子映射（Photon Mapping）由 Henrik Wann Jensen 在 1996 年提出，专门用于处理焦散等路径追踪难以高效计算的路径类型。

光子映射的两阶段流程：

阶段一——光子追踪：从光源发射大量光子（数百万到数十亿），追踪光线在场景中的传播路径，将光子存储在与表面相交的光子图（Photon Map）中：

emit photons from light sources
for each photon:
    while photon not terminated:
        trace photon through scene
        store photon at surface intersection
        probabilistically absorb/reflect/transmit

阶段二——渲染：从相机发射光线，在交点处查询光子图，通过密度估计计算间接光照：

$$L_i(x, \omega) \approx \frac{1}{\pi r^2} \sum_{p=1}^{N} f_r(x, \omega_p, \omega) \Phi_p$$

其中 $r$ 是查询半径，$\Phi_p$ 是光子的通量。

双向路径追踪（Bidirectional Path Tracing）将路径追踪和光子映射的思想统一：同时从光源和相机生成子路径（Sub-path），然后将子路径的端点连接起来形成完整路径。这种方法能高效处理路径追踪难以采样的路径类型（如 Eye-Caustic-Light 路径）。

2.5 实时路径追踪与去噪

实时路径追踪面临的核心矛盾：物理精度需要大量采样，实时性能要求极小采样量。

在每像素 1-4 个采样（SPP）的限制下，直接计算结果的噪声不可接受。解决方案是时域累积+空间去噪的组合策略：

时域重组（Temporal Reprojection）：利用前一帧已累积的采样结果，通过 Motion Vector 将上一帧像素映射到当前帧：

$$\bar{L}_{t}(x) = \alpha L_t(x) + (1-\alpha) \bar{L}_{t-1}(x')$$

其中 $x'$ 是 $x$ 在前一帧的对应位置，$\alpha$ 是累积因子（通常 $\alpha \approx 0.05$）。这种方法的有效性依赖于成功的反向重投影和可见性验证。

SVGF（Spatiotemporal Variance-Guided Filtering）是时域去噪的代表算法：

1. 计算每个像素的方差估计
2. 使用边缘感知的交叉双边滤波进行空间滤波
3. 通过时域累积进一步降低噪声

NVIDIA NRD（Neural Real-Time Denoising）结合了手工设计的信号处理管道和神经网络特征提取，支持 ReBLUR（抗混叠）、SIGMA（阴影）、SPECULA（反射）等专用去噪模块。

三、加速结构与求交算法

3.1 光线-三角形求交

光线与三角形求交是光线追踪中最频繁的计算操作。Möller-Trumbore 算法是最广泛使用的交点检测算法：

光线的参数形式：$R(t) = O + tD$，三角形上的点可表示为重心坐标形式：

$$O + tD = (1 - u - v)V_0 + uV_1 + vV_2$$

写成矩阵形式：

$$\begin{bmatrix} -D & V_1 - V_0 & V_2 - V_0 \end{bmatrix} \begin{bmatrix} t \\ u \\ v \end{bmatrix} = O - V_0$$

应用 Cramer 法则可直接求解 $t, u, v$。若 $0 < u, v, u+v < 1$ 且 $t > 0$，则光线击中三角形内部。该算法的优点是只需一次除法操作，数值稳定性好。

3.2 包围盒层次结构

包围盒层次结构（Bounding Volume Hierarchy, BVH）是现代光线追踪最主流的加速结构。BVH 是一棵二叉树，每个节点对应场景中一个空间区域的轴对齐包围盒（AABB），叶子节点包含几何体。

BVH 构建——SAH 策略：

表面面积启发式（Surface Area Heuristic）是 BVH 构建的经典优化准则。对于给定节点，其光线求交的期望代价为：

$$C = C_{trav} + \frac{SA(L)}{SA(P)} \cdot N_L \cdot C_{isect} + \frac{SA(R)}{SA(P)} \cdot N_R \cdot C_{isect}$$

其中 $SA$ 是包围盒表面积，$N_L, N_R$ 是左右子树的几何体数量，$C_{trav}$ 是遍历节点代价，$C_{isect}$ 是求交代价。SAH 通过在空间轴向上划分候选位置，选择使代价最小的划分方案。

实际构建流程：

struct BVHNode {
    AABB bounds;
    union {
        struct { BVHNode *left, *right; };  // 内部节点
        struct { Triangle *triangles; int count; };  // 叶子节点
    };
};

function build_bvh(triangles, depth):
    bounds = compute_bounds(triangles)
    if triangles.count < THRESHOLD:
        return create_leaf(bounds, triangles)
    
    // SAH 搜索最优划分
    best_cost = INFINITY
    best_axis = 0
    best_position = 0
    
    for axis in [x, y, z]:
        sort(triangles, by centroid on axis)
        for each split position:
            cost = compute_sah_cost(triangles, axis, position)
            if cost < best_cost:
                best_cost = cost
                best_axis = axis
                best_position = position
    
    left_tris, right_tris = split(triangles, best_axis, best_position)
    left = build_bvh(left_tris, depth+1)
    right = build_bvh(right_tris, depth+1)
    return create_internal_node(bounds, left, right)

GPU 优化 BVH 构建：现代 BVH 构建广泛采用基于 Morton Code 的线性构建方法。首先计算每个三角形中心点的 Morton Code（将三维坐标交错编码为 64 位整数），然后按 Morton Code 排序，最后通过相邻代码的二进制前缀差异确定层次结构。这种方法将 $O(n \log n)$ 的 SAH 构建降为 $O(n)$，是实时 BVH 构建的标准方案。

3.3 NVIDIA RT Core 与硬件加速

NVIDIA 从 Turing 架构（RTX 20 系列）开始引入专用的 RT Core 硬件单元。RT Core 在硬件层面实现了：

1. 光线-AABB 求交：每个 RT Core 每时钟周期可同时测试 4 个 AABB 与光线的相交情况
2. 光线-三角形求交：使用优化过的 Möller-Trumbore 算法，单周期完成
3. BVH 遍历：硬件维护遍历栈，自动完成栈溢出处理

RT Core 的关键性能指标：

架构	GPU	RT Core 数量	光线/秒（GigaRays/s）
Turing	RTX 2080 Ti	68	10 GRays/s
Ampere	RTX 3090	82	35 GRays/s
Ada Lovelace	RTX 4090	128	92 GRays/s
Blackwell	RTX 5090	170	150+ GRays/s

硬件加速的代价是灵活性降低——RT Core 只支持三角形求交，不支持自定义图元。对于毛发粒子、体积云等非三角形几何体，需要额外的软件回落路径。

四、现代光线追踪系统架构

4.1 混合渲染管线

当前主流的实时渲染引擎（UE5、Unity HDRP）都采用混合渲染架构：场景中主要物体通过光栅化渲染，光线追踪作为补充层处理光栅化无法高效实现的效果。

混合渲染管线：

光栅化通道 (Rasterization Pass)
    ├── G-Buffer 生成（位置、法线、材质参数、深度）
    └── 阴影映射 (Shadow Maps)

光线追踪通道 (Ray Tracing Pass)
    ├── 反射 (Ray Traced Reflections)
    ├── 阴影 (Ray Traced Shadows)
    ├── 环境光遮蔽 (Ray Traced AO)
    └── 全局光照 (RTXGI / Lumen)

后处理通道 (Post-Processing)
    ├── 去噪 (SVGF / NRD)
    ├── 时域抗锯齿 (TAA / DLSS)
    └── Tone Mapping

4.2 虚幻引擎 5 Lumen 系统

UE5 的 Lumen 是一种全动态的全局光照和反射系统，代表了实时全局光照技术的当前最高水平。Lumen 的核心设计理念是在不依赖 Hardware RT 也能运行的同时，利用 Hardware RT 获取更好的质量和性能。

Lumen 的两级追踪策略：

一级——屏幕追踪（Screen Tracing）：在 G-Buffer 中沿反射方向步进，查询是否有可见的表面。速度极快但只覆盖屏幕可见区域。

二级——有符号距离场追踪（SDF Tracing）：对于屏幕追踪未命中的方向（如屏幕外的反射内容），使用场景的 SDF 表示进行球体追踪。SDF 是场景几何体的低精度表示，通过 Distance Field 的快速查询实现高效光线行进：

function sdf_trace(ray, sdf_scene):
    t = 0
    for i in range(MAX_STEPS):
        dist = sdf_scene.query(ray.origin + t * ray.direction)
        if dist < EPSILON:
            return HIT
        if t > MAX_DISTANCE:
            return MISS
        t += dist
    return MISS

Lumen 的全局光照计算：

Lumen 使用Voxel Radiance Cache在场景中缓存间接光照。每个缓存点存储入射辐射亮度的球谐函数（SH）表示，在渲染时通过在缓存点之间追踪光线来更新间接光照。

4.3 OptiX 与离线渲染架构

NVIDIA OptiX 是面向离线渲染和科学计算的光线追踪框架。OptiX 的关键设计是将光线追踪管线抽象为可编程的几个阶段：

Ray Generation (自定义) → Intersection (硬件/软件) → 
Any Hit / Closest Hit (自定义) → Miss (自定义)

OptiX 7.x 引入了更底层的 API，允许开发者直接控制 BVH 构建和光线发射，被 Blender Cycles、Redshift、Arnold 等主流渲染器广泛采用。

Blender Cycles 的架构（应用了 OptiX 加速）：

场景数据 → BVH构建 (OptiX) → 路径追踪核心
    ├── 直接光照采样 (Next Event Estimation)
    ├── BRDF采样 (BSDF importance sampling)
    ├── 体积散射 (Volume integration)
    └── 降噪 (OptiX Denoiser / OIDN)

Cycles 在 RTX 4090 上的基准性能（BMW 27 场景）：

• CPU 渲染（Ryzen 7950X）：约 45 秒
• GPU CUDA 渲染（RTX 4090）：约 9 秒
• GPU OptiX 渲染（RTX 4090）：约 5 秒

五、光线追踪在无人机仿真中的工程实践

5.1 传感器仿真中的光线追踪需求

无人机仿真对视觉真实感的要求远高于游戏渲染。光线追踪传感器仿真需要处理的场景包括：

相机传感器仿真：

• 镜头光学效应：畸变、色差、渐晕——可通过光线追踪模拟真实镜头群的光路
• 多光谱渲染：可见光（RGB）、近红外（NIR）、长波红外（LWIR）各波段有独立的光学特性
• 曝光与噪声：基于物理的传感器噪声模型（读出噪声、散粒噪声、固定模式噪声）

LiDAR 仿真：

• 激光脉冲的发射→反射→接收过程本质就是光线追踪
• 多回波检测（Multiple Returns）需要追踪光线穿过半透明物体
• 大气衰减建模（雾、雨、雪条件下的激光衰减）

雷达仿真：

• 射线发射后的多次反射（多路径效应）
• 雷达散射截面（RCS）与材质属性相关
• Doppler 频移模拟

5.2 Gazebo 中的光线追踪集成

Gazebo Sim（原 Ignition Gazebo）使用 OGRE 2 作为渲染引擎，其渲染管线主要基于光栅化。然而，新一代传感器件（如高分辨率 RGB 相机、LiDAR）的精确仿真正在向光线追踪迁移：

现有方案：

• Gazebo 的 GpuRays 传感器通过 GPU 加速计算深度和颜色
• gpu_lidar 插件的射线模拟是在着色器中完成的光栅化近似

光线追踪增强方案：

将光线追踪引入 Gazebo 传感器仿真的可行架构：

仿真场景 → 渲染数据导出 → 外部光线追踪引擎 → 传感器数据
                              ├── RTX Direct Illumination (RTXDI)
                              ├── 物理材质系统 (MDL)
                              └── 特定波段光谱渲染

5.3 合成数据生成中的光线追踪

已有文章涉及基于 Blender Cycles（光线追踪渲染器）的无人机检测数据集生成。在此基础上的进一步优化方向：

域随机化与光线追踪的结合：

域随机化（Domain Randomization）是 Sim-to-Real 迁移的关键技术。在光线追踪渲染场景中，可以在物理正确的框架内随机化：

• 光源随机化：基于物理的 HDRI 环境光混合（通过 Blender 的 Environment Texture 节点）
• 材质随机化：BSDF 参数（粗糙度、金属度、IOR）在物理约束范围内采样
• 相机参数随机化：焦距、光圈（直接影响景深效果的物理参数）

for each sample in dataset:
    # 光线追踪参数随机化
    env_map = random_hdri(sun_elevation, cloud_cover)
    drone_material = random_bsdf(roughness_range, metallic_range)
    camera_params = random_camera(focal_length, aperture)
    
    # Blender Cycles 渲染
    render = cycles_render(scene, camera_params, samples=512)
    annotations = generate_annotations(scene)
    
    save(render, annotations, labels)

路径追踪采样的质量敏感度：

合成数据生成中的每像素采样数（SPP）选择需要在渲染质量和渲染时间之间权衡：

应用场景	SPP 范围	渲染时间 (1080p, RTX 4090)	噪声水平
快速预训练	64-128	0.5-1.5 秒	中等
精细训练	256-512	2-5 秒	低
高保真验证	1024+	8-15 秒	极低

值得注意的是，研究表明神经网络在噪点数据上训练也可以达到良好的域迁移效果——这表明合成数据生成中不一定要追求完美无噪的渲染结果。

六、前沿趋势与技术展望

6.1 神经渲染与光线追踪的融合

神经辐射场（NeRF）和 3D Gaussian Splatting 代表了与物理渲染路径不同的另一条技术路线。两者的融合正在催生新的研究方向：

神经重建+光线追踪：从多视角图像重建场景的隐式表示后，用传统光线追踪对新视点进行渲染，结合了神经表示的几何灵活性和物理渲染的光学精度。

可微分光线追踪：通过对光线传播过程进行微分，可以直接优化场景的几何、材质和光照参数，实现逆渲染（Inverse Rendering）——从照片反推出场景的物理属性。

6.2 实时全光线追踪的前景

目前的实时渲染仍是混合渲染的天下，但全光线追踪（Fully Path Traced）的 Demo 已经出现：

• 《Cyberpunk 2077》光线追踪超速模式：在 RTX 4090 上实现了每帧 1-2 SPP 的全路径追踪 + DLSS 3.5 Ray Reconstruction
• 《Portal with RTX》：基于 RTX Remix 的完全路径追踪重制
• 《Minecraft RTX》：路径追踪 + 时域累积，每像素约 4 SPP

全光线追踪面临的挑战：

1. 去噪算法的延迟：时域累积会引入残影（Ghosting）和模糊
2. 漫反射间接光照的收敛：需要大量采样才能收敛
3. 动态场景的时域稳定性：光源/物体的移动破坏时域累积的一致性

6.3 扩展现实与物理仿真

光线追踪在扩展现实（XR）和物理仿真领域的应用正在从传统渲染扩展到以下方向：

• 毫米波虚拟天线阵列波束追踪：通信仿真中的光线追踪
• 声学光线追踪：声场仿真，用于无人机噪声预测
• 概率光线传播：电磁散射的统计建模

七、总结

光线追踪技术经历四十余年的发展，从 Whitted 1980 年的开创性工作到今天的实时路径追踪，经历了完整的学术→离线→实时的演进路径。核心要点总结如下：

理论层面：

• 渲染方程是光线追踪的数学基础，路径积分形式为蒙特卡洛求解提供了框架
• 路径追踪是渲染方程的第一个通用无偏求解器，以 $O(1/\sqrt{N})$ 速率收敛
• 重要性采样、MIS 是降低方差的关键技术

工程层面：

• BVH 是主流加速结构，SAH 是构建最优 BVH 的指导准则
• RT Core 硬件加速将光线追踪从离线推向了实时
• 时域累积与空间去噪的结合使 1-4 SPP 的渲染结果可用

应用层面：

• 混合渲染是当前实时渲染的主流架构
• 光线追踪在传感器仿真中提供物理精确的视觉结果
• 合成数据生成中需要在渲染质量和速度间做合理权衡

参考文献

1. Kajiya, J. T. (1986). The rendering equation. ACM SIGGRAPH Computer Graphics, 20(4), 143-150. DOI: 10.1145/15886.15902
2. Whitted, T. (1980). An improved illumination model for shaded display. Communications of the ACM, 23(6), 343-349. DOI: 10.1145/358876.358882
3. Veach, E., & Guibas, L. J. (1995). Optimally combining sampling techniques for Monte Carlo rendering. ACM SIGGRAPH, 419-428. DOI: 10.1145/218380.218498
4. Jensen, H. W. (1996). Global illumination using photon maps. Eurographics Workshop on Rendering, 21-30.
5. Lafortune, E. P., & Willems, Y. D. (1993). Bi-directional path tracing. Proceedings of Compugraphics, 145-153.
6. Cook, R. L., & Torrance, K. E. (1982). A reflectance model for computer graphics. ACM Transactions on Graphics, 1(1), 7-24. DOI: 10.1145/357290.357293
7. Möller, T., & Trumbore, B. (1997). Fast, minimum storage ray-triangle intersection. Journal of Graphics Tools, 2(1), 21-28. DOI: 10.1080/10867651.1997.10487468
8. Schlick, C. (1994). An inexpensive BRDF model for physically-based rendering. Computer Graphics Forum, 13(3), 233-246. DOI: 10.1111/1467-8659.1330233
9. Karis, B. (2013). Real shading in Unreal Engine 4. SIGGRAPH Course: Physically Based Shading in Theory and Practice.
10. NVIDIA. (2022). NVIDIA RTX Path Tracing Technical Overview. NVIDIA Developer Documentation.