实时渲染中的光线追踪优化

20/25实时渲染中的光线追踪优化第一部分光线追踪加速结构 2第二部分层次包围体优化 5第三部分递归终止策略 7第四部分并行性和负载均衡 9第五部分感知光线追踪 11第六部分神经网络辅助优化 14第七部分基于光子的光线追踪 17第八部分时空连续优化 20

第一部分光线追踪加速结构关键词关键要点光线追踪加速结构

1.通过空间划分和数据结构，将场景划分为更小的网格或层级，加速光线与场景几何体的相交测试。

2.常见的光线追踪加速结构包括网格、八叉树、BVH（限界体积层次结构）和k-d树，各有优缺点。

3.根据场景复杂度和分布特性，选择合适的加速结构可以显著提高光线追踪效率。

网格

1.将场景划分为规则的网格，每个网格包含多个几何体。

2.光线与网格相交测试可以快速排除空区域，但随着网格复杂度增加，相交测试成本会上升。

3.适用于简单、规则形状的场景。

八叉树

1.将场景划分为八个子八叉树，递归地细分到一定深度。

2.光线通过深度优先遍历八叉树，快速排除不相交的区域。

3.适用于场景复杂度适中的场景。

BVH（限界体积层次结构）

1.将场景几何体包围在限界体积中，并根据体积大小和位置构建层次结构。

2.光线通过递归遍历BVH，快速排除不相交的限界体积。

3.适用于复杂且细节丰富的场景。

k-d树

1.将场景几何体投影到k维空间，并在每个维度上递归地划分空间。

2.光线通过沿着k维空间进行二分搜索，快速找到相交的几何体。

3.适用于维度较高的复杂场景，如点云数据。

并行化和分布式光线追踪

1.利用GPU、多核CPU或云计算平台，通过并行处理光线来提升性能。

2.将场景划分成多个区域或帧，分别在不同设备或节点上进行光线追踪，然后再合成最终图像。

3.并行化和分布式光线追踪可以大幅缩短渲染时间，适用于大型复杂场景的渲染。光线追踪加速结构

在实时渲染中，光线追踪是模拟光线与场景交互以生成逼真图像的一种技术。然而，光线追踪的计算成本非常高，因为需要遍历大量场景几何体以找到光线与几何体的交点。为了提高性能，光线追踪加速结构(BVH)被引入。

BVH的工作原理

BVH是一种层次数据结构，它将场景几何体划分为一系列边界体。边界体是包围几何体的平轴对齐包围盒(AABB)。BVH从根节点开始，通过一系列子节点向下递归遍历，每个子节点代表一个边界体。

当光线与场景相交时，它首先与根节点的边界体相交。如果光线与边界体相交，它会递归地继续与子节点的边界体相交。此过程一直持续到光线找到与几何体的交点或达到最大深度。

BVH类型

有两种主要的BVH类型：

*均匀BVH：将场景几何体均匀地划分为固定大小的边界体。

*自适应BVH：根据场景几何体的分布动态调整边界体的大小，以优化光线追踪性能。

BVH构建

BVH的构建过程可以分为以下步骤：

1.几何体预处理：将场景几何体转换为边界体表示。

2.边界体排序：根据光线投射的特定顺序对边界体进行排序。

3.BVH节点创建：将排序后的边界体分组到BVH节点中，每个节点包含两个或更多子节点。

4.递归：对每个子节点重复步骤2和3，直到达到最大深度或所有几何体都包含在BVH中。

BVH遍历

当光线追踪引擎需要与场景相交时，它使用BVH进行遍历。遍历过程如下：

1.根节点相交：光线首先与根节点的边界体相交。

2.子节点选择：如果光线与边界体相交，则选择相交的子节点并继续遍历。

3.递归：步骤1和2递归地重复，直到找到与几何体的交点或达到最大深度。

4.求交：如果光线与几何体相交，则计算交点并返回。

BVH优化

以下是一些优化BVH以提高光线追踪性能的技术：

*并行构建：使用多线程并行构建BVH，以加快处理速度。

*动态更新：当场景几何体发生变化时，动态更新BVH以保持其是最新的。

*子节点排序：根据光线的典型路径对BVH子节点进行排序，以减少遍历成本。

*启发式启发：使用启发式方法，例如表面积启发式或体积启发式，来优化边界体分割。

结论

光线追踪加速结构(BVH)是实时渲染中光线追踪性能的关键组件。通过将场景几何体划分为一系列边界体，BVH允许光线追踪引擎快速有效地找到光线与几何体的交点。通过采用各种优化技术，例如动态更新、并行构建和启发式启发，BVH可以进一步提高光线追踪性能，从而实现逼真且交互式的光线追踪体验。第二部分层次包围体优化关键词关键要点【层次包围体优化】：

1.层次包围体（BVH）是一种空间分割技术，用于加速光线与几何体的相交测试。通过将几何体组织成一系列嵌套的包围体，可以快速排除不与光线相交的包围体。

2.BVH可以构建为顶点BVH或表面积BVH，前者基于顶点，后者基于三角形表面积。表面积BVH通常更紧凑，但计算成本更高。

3.BVH的构建算法是递归的，从根节点开始，并根据几何体的分布将几何体划分成两个子集。这个过程重复，直到达到预先定义的最大深度或叶节点中仅包含少量几何体。

【包围体划分策略】：

层次包围体优化

层次包围体优化是一种通过构建场景的层次包围体（BoundingVolumeHierarchy，BVH）来加速光线追踪过程的技术。BVH是一种数据结构，它将场景中的物体组织成一棵树状结构，其中每个节点都代表一个包围盒（BoundingBox）。这些包围盒的大小和形状根据场景中的物体进行调整，以最小化包含的物体数量。

在光线追踪过程中，BVH用于快速剔除不与光线相交的场景部分。当光线穿过BVH时，它首先与根节点的包围盒相交检测。如果光线与包围盒相交，则光线将继续检查包围盒内子节点的包围盒。这个过程不断进行，直到光线到达叶子节点，即不包含其他包围盒的包围盒。

层次包围体优化可显著提高光线追踪的性能，其主要优势包括：

*快速剔除：BVH允许光线快速剔除不与光线相交的场景部分，从而减少了需要进行交点测试的物体数量。

*分层搜索：BVH采用分层搜索策略，该策略从根节点开始，逐步细化搜索范围，直到找到光线与场景相交的点。

*自适应包围盒：BVH的包围盒根据场景中的物体大小和形状进行调整，以优化交点测试的效率。

构建BVH的过程可以根据场景的复杂性和光源分布进行优化。常用的BVH构建算法包括：

*表面积启发式（SAH）：一种基于表面积的启发式算法，它通过最小化包围盒表面的总面积来构建BVH。

*对象体积启发式（OBVH）：一种基于对象体积的启发式算法，它通过最小化包围盒内物体的总体积来构建BVH。

*中间分割（Midsplit）：一种简单的算法，它通过在包围盒的中点处分割包围盒来构建BVH。

此外，可以通过以下技术进一步优化层次包围体：

*动态BVH：允许BVH在运行时根据场景变化进行动态更新，从而提高了动态场景的光线追踪效率。

*并行BVH：利用多核CPU或GPU进行BVH构建和光线追踪，以提高整体性能。

*混合BVH：结合不同类型的包围体（例如包围盒和包围球）来优化特定场景的性能。

层次包围体优化是实时渲染中光线追踪的关键技术，它可以显著提高渲染速度和质量。通过仔细设计和优化BVH，可以充分利用场景的几何特征，从而最大限度地减少光线与场景相交测试的数量。第三部分递归终止策略关键词关键要点主题名称：深度优先递归遍历

1.自顶向下遍历场景图，递归深入子节点直至达到终止条件。

2.存储递归栈，以追踪遍历路径，并方便回溯优化。

3.对于复杂场景，深度优先遍历可能导致内存消耗过高，需要动态管理递归栈。

主题名称：宽度优先递归遍历

递归终止策略

在光线追踪算法中，递归终止策略对性能影响重大。若递归深度过深，会导致计算复杂度呈指数级增长，进而拖慢渲染速度。因此，确定合适的光线追踪终止条件至关重要。

常见递归终止策略

*深度限制：设置一个最大递归深度限制。超过该限制后，光线追踪将立即停止，通常用于快速渲染或避免无限递归。

*光强阈值：检查光线经过多次反射后的光强是否低于预设阈值。若低于阈值，则认为该光线已被充分衰减，不再对场景产生显著影响，从而终止递归。

*表面类型：根据光线与表面的交互类型终止递归。例如，当光线遇到完全吸收表面的漫反射时，可以立即终止递归，因为该光线不再对场景进行贡献。

*距离限制：设定一个最大光线传播距离。当光线传播距离超过该限制后，终止递归。此策略可避免光线无限反射，但可能会导致某些区域出现阴影噪声。

*阴影射线：对阴影射线应用更严格的终止策略。阴影射线主要用于判断光线是否被遮挡，因此可以设置较低的递归深度或光强阈值。

优化递归终止策略

*自适应递归深度：根据场景复杂度动态调整递归深度。在复杂区域使用较高的递归深度，而在简单区域使用较低的递归深度。

*渐进式光线追踪：逐步增加递归深度，从浅层开始，逐渐深入到更深的反射中。此策略可避免初始渲染过于模糊，并允许用户在渲染过程中实时观察进步情况。

*路径重要性采样：根据光线对最终图像的贡献，对递归路径进行重要性采样。重要性较低的光线可以较早终止，从而节省计算资源。

*邻域光照算法：利用邻域光照算法（如光线快照或光线锥），减少递归深度，同时保持图像质量。此类算法通过存储先前计算的光照信息，避免对相同区域进行重复计算。

特定场景优化

*室内场景：室内场景通常具有封闭性，递归深度可以相对较低。

*室外场景：室外场景包含更多的反射和折射，需要更高的递归深度以获得准确的渲染。

*包含镜面表面的场景：镜面表面会产生大量的反射，因此需要自适应递归深度或渐进式光线追踪来优化性能。

通过合理选择递归终止策略，可以有效控制光线追踪的计算复杂度，从而在保证图像质量的前提下，提升实时渲染性能。第四部分并行性和负载均衡关键词关键要点并行性：

*

1.利用多核CPU和GPU的并行计算能力，同时处理多个光线。

2.通过任务分块和并行算法，将渲染过程分解为更小的子任务，并将其分配给多个处理单元。

3.减少线程同步和通信开销，以最大限度地提高并行效率。

负载均衡：

*实时渲染中的光线追踪优化：并行性和负载均衡

在实时渲染中，光线追踪是一个计算密集型过程，需要大量的并行性来实现交互体验。并行性和负载均衡技术至关重要，可以最大程度地利用可用资源，并最小化延迟。

并行性

光线追踪的并行性主要通过以下两种方法实现：

*SIMD（单指令多数据）并行性：在现代GPU中，SIMD单位允许多个线程同时执行相同的指令，操作不同的数据。这适用于光线追踪中的很多计算，如交叉点求交和着色计算。

*多GPU并行性：当一台GPU的资源不足时，可以将光线追踪任务分配给多台GPU。这需要有效的任务划分和同步机制。

负载均衡

负载均衡对于最大限度地利用并行资源至关重要。以下技术用于在光线追踪中实现负载均衡：

*动态负载均衡：运行时监控系统资源并相应地调整任务分配。这有助于避免资源瓶颈和最大化GPU利用率。

*基于空间的负载均衡：将场景划分为空间区域，并根据每个区域的负载动态分配任务。这确保了均匀的负载分布，并减少了争用。

*基于深度优先的负载均衡：优先处理路径深度较小的光线，从而快速生成粗略图像，并随着深度增加逐渐细化图像。这有助于减少帧生成时间和延迟。

优化策略

以下策略可用于进一步优化并行性和负载均衡：

*任务细化：将大任务分解为更小的任务，以提高并行性并减少同步开销。

*批处理任务：对相似任务（例如同一点的交叉点求交）进行批处理，以提高SIMD并行性并减少分支开销。

*优先级调度：根据任务对最终图像质量的影响优先调度任务。这确保了关键区域首先得到渲染，从而改善用户体验。

*非一致性内存访问：使用非一致性内存访问（如原子操作），以减少不同GPU之间的同步开销。

评估和基准

评估并行性和负载均衡技术的有效性至关重要。以下指标可用于衡量改进：

*帧速率：每秒渲染的帧数，它反映了系统的总体性能。

*平均帧时间：生成一帧所需的平均时间，它反映了延迟。

*GPU利用率：GPU用于执行光线追踪任务的百分比，它反映了并行性利用率。

结论

并行性和负载均衡是实时光线追踪渲染中的关键技术，可通过最大程度地利用可用资源来改善性能和交互性。通过应用各种并行化和负载均衡策略，开发人员可以显著提高帧速率，减少延迟，并提供令人身临其境的渲染体验。第五部分感知光线追踪关键词关键要点【感知光线追踪】

1.自适应采样：

-实时感知场景中噪声水平，动态调整采样率。

-优先采样噪声高的区域，降低对噪声低的区域的采样，提高渲染效率。

2.眼动跟踪：

-追踪用户视点，仅对视点附近的区域进行高精度光线追踪。

-充分利用人的视觉感知特性，将资源分配到用户关注的区域，降低整体计算量。

【感知光线追踪】

3.遮挡剔除：

-剔除光线与几何体交互过程中被遮挡的部分，减少不必要的计算。

-基于深度缓冲区或层次包围盒进行快速遮挡测试，提升渲染性能。

4.光照缓存：

-预计算场景中多次散射的光照数据并存储在缓存中。

-渲染时直接从缓存中读取光照信息，避免重复计算，节约时间。

5.间接光照烘焙：

-离线烘焙场景中静态间接光照，生成全局光照贴图。

-实时渲染时直接应用烘焙好的光照数据，降低动态光照计算成本。

6.机器学习加速：

-使用深度学习算法优化光线追踪过程，加速光线与几何体求交检测。

-训练模型识别场景中常见的几何体形状，减少光线追溯次数，提升渲染速度。感知光线追踪

概述

感知光线追踪是一种实时渲染技术，通过结合传统光线追踪和机器学习技术，实现更有效的全局照明计算。其目的是在保持视觉保真度的前提下，大幅减少计算成本。

原理

感知光线追踪基于这样一个假设：场景中大部分光线只会对少数像素产生显著影响。因此，它使用机器学习算法（通常是神经网络）来预测哪些光线对最终图像的贡献最大。

预训练神经网络

感知光线追踪的机器学习组件在预训练数据集上进行训练。该数据集包含各种场景和光照条件的渲染图像及其相应的光照贡献值。

训练后，神经网络能够准确预测给定光线的影响，并将其分配一个权重。权重表示该光线对图像贡献的相对重要性。

追踪重要光线

在渲染时，感知光线追踪引擎会先使用神经网络预测光线的权重。然后，它仅追踪权重最高的那些光线，从而避免了不必要的光线计算。

渐进式追踪

感知光线追踪通常采用渐进式追踪，其中图像随着时间的推移逐渐细化。在初始阶段，只有少量最重要的光线被追踪，这导致图像具有较高的噪点。

随着追踪的进行，更多光线被追踪，噪点逐渐减少，直到达到所需的视觉保真度。

优点

*效率高：感知光线追踪大大减少了光线追踪的计算成本，使其更适合于实时应用。

*可扩展性：感知光线追踪可以轻松适应不同的场景和光照条件，使其适用于广泛的应用。

*视觉保真度：它可以产生与传统光线追踪相当的视觉保真度，同时显著提高渲染速度。

缺点

*训练成本：感知光线追踪的神经网络需要大量训练数据，这可能需要大量的计算资源。

*近似误差：神经网络的预测可能不完全准确，从而导致渲染结果的轻微失真。

*场景复杂性限制：感知光线追踪在复杂场景中，如具有大量反射和折射的场景，可能不太有效。

应用

感知光线追踪已被成功应用于各种实时渲染场景中，包括：

*游戏引擎

*建筑可视化

*产品设计

*电影和动画

实例

Crytek的《孤岛惊魂：新黎明》是感知光线追踪的实际应用之一。它显著提高了游戏的视觉质量，同时保持了流畅的帧速率。

结论

感知光线追踪是一种强大的技术，它通过利用机器学习技术大幅降低了光线追踪的计算成本，使其更适合于实时应用。它提供了令人印象深刻的视觉保真度，同时保持了渲染效率。随着机器学习技术的不断进步，感知光线追踪有望在各种实时渲染领域发挥越来越重要的作用。第六部分神经网络辅助优化神经网络辅助光线追踪优化

在实时渲染应用中，神经网络辅助光线追踪优化是一种通过利用深度学习技术增强光线追踪算法的策略。它旨在解决光线追踪固有的计算密集型特征，从而提高渲染速度和图像质量。

神经网络的应用

神经网络可以通过以下方式辅助光线追踪优化：

*降噪：神经网络可以用于从有噪声的光线追踪图像中去除噪声，从而无需进行昂贵的超采样。

*光线加速：神经网络可以预测光线与场景几何相交的位置，从而减少光线对不相关区域的采样。

*漫反射全局照明：神经网络可以近似漫反射全局照明效果，从而在不增加渲染时间的情况下提高场景真实感。

*反射和折射：神经网络可以模拟复杂材料的反射和折射行为，减少对物理模拟和查找表的依赖。

神经网络技术的类型

用于光线追踪优化的神经网络有多种类型，包括：

*卷积神经网络(CNN)：用于从图像数据中提取特征，例如边缘和纹理。

*递归神经网络(RNN)：用于处理序列数据，例如光线路径。

*生成对抗网络(GAN)：用于生成逼真的图像，例如降噪。

实施考虑

实施神经网络辅助光线追踪优化时需要考虑以下事项：

*训练数据：用于训练神经网络的数据集应代表在目标场景中遇到的各种光线行为。

*网络架构：神经网络的架构应针对特定优化目标进行定制。

*训练策略：训练过程应仔细监控，以避免过拟合和欠拟合。

*推理效率：用于推理的神经网络应经过优化，以在渲染时实现低延迟。

性能收益

神经网络辅助优化可以显着提高实时渲染中的光线追踪性能。例如：

*在一个光线追踪场景中，使用神经网络降噪可将渲染时间减少高达50%。

*在另一个场景中，使用神经网络光线加速可将渲染时间减少高达30%。

*在具有复杂全局照明效果的场景中，使用神经网络漫反射全局照明可同时提高图像质量和渲染速度。

当前挑战与未来方向

当前神经网络辅助光线追踪优化的挑战包括：

*泛化能力：训练好的神经网络可能无法泛化到与训练数据不同的场景。

*训练时间：训练神经网络的计算成本可能很高。

*动态场景：神经网络可能难以处理动态场景，因为它们通常需要针对特定场景进行训练。

未来的研究方向包括：

*开发可泛化到各种场景的神经网络。

*研究更有效率的神经网络训练算法。

*探索将神经网络与其他光线追踪优化技术相结合的方法。

结论

神经网络辅助光线追踪优化是一种有前途的技术，可以显著提高实时渲染中的光线追踪性能。通过利用深度学习，神经网络可以增强光线追踪算法，解决该技术的计算密集型特征。随着神经网络技术的不断发展，预计神经网络辅助光线追踪优化在未来将发挥越来越重要的作用。第七部分基于光子的光线追踪关键词关键要点【基于光子的光线追踪】

1.利用光子图，对场景进行离线预处理，存储光子信息。

2.在在线渲染中，通过采样和追踪光子，近似计算光照。

3.光子图应优化采样参数，以平衡准确性和效率。

【基于体积的光线追踪】

基于光子的光线追踪

基于光子的光线追踪是一种渲染技术，它使用光子图来模拟光线在场景中的传播。光子图是一组预计算的光线，它们在场景中随机散射，记录着每个光子与场景中物体交互的信息。

工作原理

基于光子的光线追踪分为两个阶段：光子图构建和光线追踪。

*光子图构建：该阶段向场景中发射大量光子，使其随机散射并与物体交互。每个光子记录命中点、法线、材质信息和光照强度。这些信息存储在称为光子图的数据结构中。

*光线追踪：该阶段类似于传统的路径追踪，但它使用光子图来估计场景中的光照。当光线命中表面时，它会在光子图中搜索附近的光子，并使用这些光子来估算该点处的辐照度。

优点

基于光子的光线追踪具有以下优点：

*全局照明：它可以模拟场景中所有类型的全局照明，包括间接照明、环境光遮蔽和半透明材质。

*低噪声：光子图充当噪声滤波器，减少了图像中的噪声。

*运动模糊：它可以处理运动模糊，因为光子图捕获了光线在场景中的传播历史。

*半透明材质：它可以准确地渲染半透明材质，如玻璃和牛奶。

优化

为了优化基于光子的光线追踪，可以采用以下技术：

*光子密度自适应：根据场景的复杂性调整光子密度，在重要区域放置更多的光子以获得更好的结果。

*分级光子图：建立多个不同分辨率的光子图，在重要区域使用高分辨率光子图，在不重要区域使用低分辨率光子图。

*近似邻域搜索：使用近似算法在光子图中搜索光子，以提高性能。

*路径指导：根据场景几何体的信息引导光线路径，提高光子命中物体表面的概率。

*使用加速结构：如BVH（边界体积层次结构）或KD树，以加速光子图和场景几何体的查找。

*降噪后处理：使用降噪算法，如光线追踪去噪（RTXdenoiser），进一步减少图像中的噪声。

与其他技术比较

基于光子的光线追踪与其他全局照明技术相比，如光子映射和路径追踪，具有以下优势：

*准确性：它提供了更高的全局照明准确性，尤其是在处理半透明材质和间接照明时。

*性能：它比路径追踪更快，因为光子图充当了噪声滤波器，减少了所需的采样数。

限制

基于光子的光线追踪也有一些限制：

*内存开销：光子图需要大量内存，尤其是在复杂场景中。

*构建时间：光子图的构建是一个耗时的过程，可能会影响交互式渲染。

*图像模糊：光子图会产生一定程度的图像模糊，尤其是对于运动模糊。

应用

基于光子的光线追踪用于各种领域，包括：

*电影制作：用于创建逼真的视觉效果和动画。

*游戏开发：用于渲染高质量的场景和角色。

*建筑可视化：用于创建逼真的室内和室外渲染。

*科学可视化：用于模拟光在科学和医疗场景中的传播。第八部分时空连续优化关键词关键要点加速结构优化

1.分层边界体（BVH）：利用空间分割将场景划分为层次结构，提高光线与场景相交检测的效率。

2.快速且鲁棒的构建算法：采用并行化算法和启发式方法优化BVH的构建过程，降低时空开销。

3.动态更新和重用：支持场景动态变化时BVH的快速更新，避免重复构建，提高交互式应用性能。

光线采样优化

1.重要性抽样：基于场景几何和材质特性对光线采样进行优化，增加采样光线命中关键区域的概率。

2.多重重要性抽样：结合多种采样策略，进一步提高采样效率，尤其适用于复杂场景。

3.自适应采样：根据图像噪声水平动态调整采样率，在保证图像质量的前提下降低计算成本。

阴影/次表面散射优化

1.逼近算法：采用近似算法快速计算阴影和次表面散射，降低计算复杂度。

2.多路径优化：将阴影和次表面散射纳入多路径光线追踪框架，提升图像的真实感。

3.遮挡的层级表示：利用分层结构表示遮挡信息，提高阴影和次表面散射计算的效率。

几何优化

1.渐进网格：通过逐步细化的网格表示场景几何，在不同分辨率下提供可控的质量和性能权衡。

2.三角形合并：合并相邻三角形优化几何表示，减少光线与几何相交检测的次数。

3.基于边的加速结构：利用基于边的加速结构代替传统的基于三角形的结构，提高相交检测的效率。

并行化优化

1.任务并行化：将渲染任务分解为独立的部分，利用多核CPU或GPU进行并行计算。

2.数据并行化：在多台GPU上复制场景数据，独立渲染不同区域或光线路径。

3.混合并行化：结合任务并行化和数据并行化，最大化利用计算资源，大幅提升渲染速度。

噪声消除优化

1.滤波器：应用各种滤波器对渲染图像降噪，包括平均滤波、高斯滤波和双线性滤波器。

2.样本重建：从现有样本中重建高分辨率图像，增强细节和减少噪声。

3.人工智能（AI）：利用深度学习和神经网络技术开发去噪算法，实现更高的降噪能力。时空连续优化

时空连续优化是一种光线追踪优化技术，利用了场景中像素和光线路径之间的局部相关性。其基本思想是：

*像素相关性：相邻像素通常共享相似的光照环境，因此它们的渲染结果可以彼此相关。

*光线路径相关性：与相邻像素相交的光线通常具有相似的方向和长度，因此它们的渲染结果也可以彼此相关。

通过利用这些相关性，时空连续优化可以减少不必要的渲染开销，从而提高性能。其具体方法如下：

帧内相关性：

*帧内缓存(IFC)：存储当前帧中已渲染的像素颜色。

*颜色采样：对于新的像素，首先从IFC中采样相邻像素的颜色。

*残差渲染：计算新像素颜色与其采样颜色的残差。

*投射光线：仅对残差像素投射光线，从而减少不必要的渲染开销。

帧间相关性：

*运动矢量：利用场景中物体的运动来估计像素之间的帧间相关性。

*运动补偿：将当前帧的像素位置根据运动矢量偏移到前一帧。

*时间累积渲染(TAA)：将前一帧的渲染结果与当前帧的残差叠加，以产生最终的像素颜色。TAA利用了帧间运动的连续性，从而减少了时间混叠。

算法实现：

时空连续优化算法的具体实现方式因不同的渲染引擎而异。以下是一些常见的技术：

*光子映射：一种基于蒙特卡罗模拟的全局光照算法，可以在IFC中存储光子信息，以便在后续渲染中重复使用。

*射线海量空间跳跃(BVH)：一种加速光线投射的层次化数据结构，可以在IFC中存储BVH节点信息，以便在后续渲染中快速定位相邻像素的光线路径。

*帧间连贯性采样(MIS)：一种用于TAA的采样技术，可以根据运动矢量调整采样方向，以提高采样效率。