一、实时光线追踪的噪声困境：从原理到挑战
实时光线追踪通过模拟光线路径实现全局光照效果，但其核心采样机制（如蒙特卡洛积分）导致画面存在显著噪声。例如，在直接光照计算中，单个像素可能仅采样1-2条光线路径，而间接光照的采样数更低，导致亮度波动和颜色异常。这种噪声在低采样率（如1SPP，即每像素1条路径）下尤为明显，表现为画面中的颗粒状或斑驳状纹理。
噪声的根源在于采样不足与随机性。蒙特卡洛方法通过随机采样估计积分值，但低采样率下估计值与真实值的偏差较大。例如，计算漫反射光照时，若仅采样1条路径，其结果可能因路径方向与法线的夹角差异而产生极大波动。此外，噪声的频谱特性复杂，包含高频（如镜面反射）和低频（如漫反射）成分，进一步增加了降噪难度。
实时渲染的帧率要求（通常≥30FPS）与降噪的计算开销形成矛盾。传统离线渲染可通过增加采样数（如1024SPP）消除噪声，但实时场景中每帧渲染时间需控制在33ms以内，导致采样数通常≤16SPP。此时，噪声成为制约画质的关键瓶颈，亟需高效的降噪算法。
二、降噪技术分类与核心算法解析
1. 时域降噪（Temporal Denoising）
时域降噪利用历史帧信息提升当前帧质量，其核心假设是画面在时间维度上具有连续性。NVIDIA的DLSS 3.0通过运动矢量将历史帧像素映射到当前帧位置，结合空间邻域信息重建颜色。例如，在动态场景中，若物体移动速度较慢，可复用前一帧的降噪结果，减少当前帧的采样需求。
时域降噪的关键挑战在于运动模糊与遮挡变化。当物体快速移动或被遮挡时，历史帧信息可能失效。对此，算法需引入置信度权重，如根据运动矢量的长度调整历史帧的贡献比例。此外，时域累积可能导致“拖影”效应，需通过阈值判断是否重置累积状态。
2. 空域降噪（Spatial Denoising）
空域降噪基于当前帧的邻域像素进行滤波，适用于静态或低频噪声。双边滤波通过颜色与空间距离的加权平均保留边缘，但其固定核大小难以适应不同频率的噪声。非局部均值（NLM）算法则搜索全局相似像素进行加权，但计算复杂度较高。
深度学习在空域降噪中展现出优势。例如，SVGF（Spatiotemporal Variance-Guided Filtering）结合时域与空域信息，通过预测方差图指导滤波强度。在镜面反射降噪中，SVGF可识别高频噪声区域并加强滤波，同时保留低频的平滑过渡。
3. 深度学习降噪：从数据驱动到端到端
基于卷积神经网络（CNN）的降噪模型（如Denoising Autoencoder）通过大量带噪声/无噪声图像对训练，学习噪声分布与真实信号的映射关系。例如，Intel的Open Image Denoise使用U-Net结构，在16SPP输入下可输出接近64SPP的画质。
端到端降噪模型（如Neural Bilateral Grid）进一步优化计算效率。该模型将降噪过程分解为基础层估计与细节层增强，通过可微分的双边网格实现实时推理。在NVIDIA RTX显卡上，其处理4K分辨率仅需2ms，满足实时需求。
三、工程实践：降噪技术的优化与集成
1. 混合降噪策略
实际工程中常采用时域+空域+深度学习的混合方案。例如，在《赛博朋克2077》中，路径追踪渲染后首先应用时域降噪（DLSS 3.0）消除大部分噪声，再通过空域滤波（SVGF）处理残留高频噪声，最后用CNN模型（如NRD）修复细节。这种分层处理可平衡质量与性能。
2. 降噪参数调优
降噪效果受参数影响显著。时域降噪中，历史帧权重需根据场景动态调整：静态场景可提高权重（如0.8），动态场景则降低至0.3-0.5。空域滤波的核大小需匹配噪声频率，镜面反射区域建议使用3×3核，漫反射区域可扩展至5×5。
3. 硬件加速与优化
利用GPU的并行计算能力是关键。例如，将降噪计算分配至异步计算队列，与渲染管线并行执行。此外，使用半精度浮点（FP16）可减少内存带宽占用，在NVIDIA Ampere架构上提升30%性能。对于移动端，可量化模型至INT8，牺牲少量精度换取更高帧率。
四、未来趋势与挑战
实时降噪正朝着自适应与智能化方向发展。自适应采样技术（如ReSTIR）可根据画面区域动态分配采样数，在高对比度区域增加采样，低频区域减少采样，从源头降低噪声强度。此外，神经辐射场（NeRF）与降噪的结合可能实现无需采样的实时全局光照，但目前计算开销仍较大。
挑战方面，动态光照与复杂材质（如次表面散射）的降噪仍需突破。现有算法在处理动态光源（如闪烁的霓虹灯）时易产生时域闪烁，需结合光流估计与事件相机数据改进。同时，降噪与抗锯齿、后处理效果的兼容性需进一步优化，避免叠加导致的画质退化。
五、开发者建议
- 分层降噪：优先实现时域降噪（如DLSS/FSR），再补充空域滤波，最后用轻量级CNN修复细节。
- 动态参数：根据场景复杂度（如三角形数量、光源数）动态调整降噪强度，避免过度平滑。
- 硬件适配：针对不同平台（PC/主机/移动端）选择合适的降噪方案，移动端可优先使用SVGF+简单CNN。
- 数据驱动：收集实际渲染的噪声/无噪声对，微调预训练模型以适应项目风格。
实时光线追踪降噪是实时渲染从“可用”到“优质”的关键跨越。通过算法创新与工程优化，开发者可在有限算力下实现电影级画质，为游戏、影视、设计等领域开辟新可能。