Stochastic Tile-Based Lighting in HypeHype

SIGGRAPH 2025 Advances: STOCHASTIC TILE-BASED LIGHTING IN HYPEHYPE

1. 核心背景与挑战

HypeHype 是一个 UGC (用户生成内容) 平台，其核心挑战在于渲染技术必须跨平台（从 99 美元的廉价手机到高端 PC） 都能稳健运行。

这对渲染引擎（尤其是光照）提出了三项严苛的约束：

移动端渲染的“三重枷锁”

内存带宽 (Memory Bandwidth)
- 这是最关键的瓶颈。廉价移动设备（约 15 GB/s）的带宽与现代主机（>500 GB/s）相差数十倍，仅与 20 年前的 Xbox 360 相当。
- 带宽密集型操作会迅速导致发热和降频（Throttling）。
渲染架构 (Rendering Architecture)
- 移动 GPU 普遍采用 TBR (Tile-Based Rendering) 架构。
- 核心优势: 渲染被切分为“Tile”（切片），在极快但极小的 On-Chip Memory (片上内存) 中完成，最后才将结果一次性写回主内存 (DRAM)。
- 对算法的约束:
  - 必须尽可能使用 Pixel Shaders（而不是 Compute Shaders）来利用 TBR 架构的优势。
  - 必须最小化 Render Pass，以减少与主内存的昂贵往返（Roundtrips）。
  - 必须优先使用 FP16，因为移动 GPU 对其有双倍速率（Double-Rate）支持。
用户场景 (User Scenarios)
- 创作者是“休闲用户”，而非专业技术美术。光照系统必须“即插即用”，无需繁琐调优。
- 性能必须一致且可预测。
- 必须能处理极端且不可预测的光照场景：
  - 光源聚集（Light Clumping）: 用户可能“因为好玩”而在一个小房间里塞进 50 个阴影光源。
  - 动态光源: 光源可能在游戏中被大量（例如敌人死亡时）动态生成。
  - 不允许出现大的帧率下降或闪烁。

2. 现有方案评估（为什么不适用）

在设计新算法前，团队评估了两种主流方案，但它们都无法满足上述所有约束。

A. 传统切片式延迟光照 (Traditional Tile-Deferred Lighting)

优点:
- 良好的本地内存访问模式。
- Wave Coherent 的光照评估，GPU 友好。
致命缺陷:
- 性能与光源数量线性相关。
- 在光源聚集或动态光源激增时，性能会急剧下降且完全不可预测。
- 强行限制每切片光源数，则会导致闪烁（Flickering）瑕疵。

B. 随机光照 (Stochastic Lighting, e.g., RESTIR)

优点:
- 固定成本（Fixed Cost），性能与场景光源复杂度解耦。
致命缺陷（针对移动端）:
- 逐像素（Per-Pixel）采样：
  - 高带宽消耗：均匀场景采样（Uniform Sampling）和时空重采样（Spatio-temporal Resampling）都是缓存极不友好（Cache-unfriendly）且带宽密集的操作。
  - Wave Divergence：每个像素随机采样到不同的光源，导致同一 Wave 中的线程执行不同代码路径、加载不同数据，严重损害 GPU 性能。

3. 解决方案：随机切片式光照 (Stochastic Tile-Based Lighting)

HypeHype 结合了上述两种方案的优点，设计了一种专为移动端 TBR 架构优化的新算法。

A. 核心思想

“从‘逐像素’采样转移到 ‘逐切片’采样” (From Per-Pixel Sampling to Per-Tile Sampling)

具体做法: 不再为每个像素采样光源，而是为一整个 Tile（切片）采样一组光源。该 Tile 内的所有像素共享这同一组光源样本。
带来的优势:
1. 大幅降低带宽: 采样成本被分摊到整个 Tile，而不是每个像素。
2. 实现Wave Coherent: Tile 内的所有像素处理相同的光源数据，执行路径一致，数据加载高度连贯，完美契合 GPU 架构。
3. 性能可预测: 成本与 Tile 数量（即屏幕分辨率）相关，而与场景光源复杂度（例如 50 个灯）解耦。
架构设计:
- 所有 Pass 均可在 Pixel Shader 中高效实现，以充分利用 TBR 架构和帧缓冲压缩（Framebuffer Compression）。

B. 核心算法：两阶段分层蓄水池采样

为了在低成本下实现高质量的重要性采样（Importance Sampling），算法采用了一种两阶段（Two-Stage）采样流程。

目标: 采样时使用一个高质量的 PDF (概率密度函数)，它能感知光源的可见性（如阴影）和 BRDF，但直接计算这个 PDF 非常昂贵。

流程:

Stage 0 (CPU): 视锥剔除 (Frustum Culling)
- 在 CPU 端对场景光源进行初步的相机视锥剔除。
Stage 1 (GPU): 大切片采样 (Big Tile Sampling)
- 将屏幕划分为较大的 Tile（例如 64x64）。
- 使用 SRS (分层蓄水池采样)。
- 使用一个低成本、粗略的 PDF（只做大致的重要性近似）为每个“大 Tile”采样出一个光源子集（例如 32 个光源）。
Stage 2 (GPU): 小切片重采样 (Small Tile Resampling)
- 在常规的“小 Tile”（例如 16x16）上。
- 再次使用 SRS，但这次是从对应“大 Tile”的光源子集中进行重采样，选出最终的几个光源（例如 4 个）。
- 在这一步，使用一个高质量的 PDF，因为它只在小范围内（32 个光源中）计算，成本可控。这个 PDF 会包含更精确的可见性（Visibility）和 BRDF 项。

C. 渲染管线 (Rendering Pipeline)

（采样阶段）
- 执行上述的 Stage 1 (Big Tile) 和 Stage 2 (Small Tile) 采样，结果（光源列表）写入 Buffer。
延迟阴影 Pass (Deferred Shadow Pass)
- 解耦阴影计算。
- 读取“小 Tile”的光源样本，评估这些光源在 Tile 内所有像素的阴影项 (Shadow Terms)。
光照 Pass (Lighting Pass)
- 读取 G-Buffer 数据。
- 读取该 Tile 共享的“光源样本”和对应的“阴影项”。
- 应用正确的光照权重（Light Weighting），计算最终光照结果。

阶段一：大切片光照采样 (Big Tile Sampling)

这个阶段是整个两阶段采样的第一步。它的核心目标是：从海量的场景光源中，为每个“大切片”（Big Tile）高效地筛选出一个小型的、具有代表性的候选光源子集（Candidate Lights）。

1. 核心目标与参数

输入: 场景中所有经过视锥剔除的光源列表。
输出: 为每个“大切片”生成一个包含 16 个独立光源的“蓄水池”（Reservoir）。
切片尺寸: 每个“大切片”（P-Tile）覆盖 128x128 像素的区域。

2. 核心算法：分层蓄水池采样 (SRS)

为了从所有光源中选出这 16 个，算法并未使用简单的均匀采样，而是使用了 分层蓄水池采样 (Stratified Reservoir Sampling, SRS)。

为什么用 SRS？
- 无放回采样 (Without Replacement): 它能保证选出的 16 个光源互不重复 (No Duplicates)，这对于小型蓄水池（只有 16 个空位）的空间利用率至关重要。
- 高质量代表性: 采样是基于一个概率密度函数 (PDF) 进行的，能选出对这个 Tile 更重要的光源，而不仅仅是随机光源。
- GPU 友好: SRS 的一个关键特性是每个蓄水池槽位（Slot）都可以独立并行计算，这使得它非常适合用 Pixel Shader 在 GPU 上高效实现。

3. 关键实现 (1): 低成本的 PDF 计算

SRS 采样的质量取决于 PDF（概率密度函数）的质量。但为 128x128 区域精确计算 PDF 代价极高。因此，HypeHype 采用了一种非常低成本的**粗略估算（Rough Estimate）**方法。

输入数据:
- Hi-Z Buffer (Hierarchical Min/Max Depth): 在 G-Buffer Pass 之后生成的层级深度图。
- 算法会读取 LoD 6 的 Hi-Z 数据，该层级的分辨率刚好与 128x128 的大切片尺寸相匹配，从而立即获得该 Tile 的最小深度 (Min Z) 和最大深度 (Max Z)。
PDF 计算步骤:
1. 在 Tile 中心的 Min Z 和 Max Z 之间构建一条虚拟的深度线段 (Central Line Segment)。
2. 将所有光源统一视作点光源 (Omni Light)。
3. 计算每个光源到这条线段最近点的光照强度 (Illuminance)。
4. 这个光照强度就被用作该光源对 Tile 影响力的近似 PDF。
评价:
- 优点: 计算极快；并且 PDF 值处处为正，可以确保采样是无偏的 (Unbiased)。
- 缺点: 它隐含地假设 Tile 内的像素在深度上是均匀分布的（这显然不总是成立）。但讲者表示，这个简单的 PDF “目前已经足够好”。

4. 关键实现 (2): 16 槽位 SRS 并行流程

为了在 Pixel Shader 中高效并行地为 16 个槽位采样，算法采用了一种“分流”策略：

核心思想: 将所有场景光源“切分”成 16 个独立的流 (Streams)，每个流专门为蓄水池的 1 个槽位（Slot）供源。
执行流程:
1. 初始化: 场景光源列表中的第 0 到 15 号光源，直接、确定性地放入蓄水池的 0 到 15 号槽位。
  - 目的: 这是针对低光源数量场景（如只有 5 盏灯）的关键优化，能显著降低这些简单场景下的采样噪声。
2. 迭代采样: 从第 16 号光源开始，循环遍历剩余所有光源，每次步进 16（i += 16）。
3. 流随机化 (Randomization): 在每次迭代中，使用一个随机偏移量 (Random Offset) 对 16 个流的索引进行取模（Modulo 16） 错位。
  - 目的: 防止高权重光源（例如一个很亮的大灯）总是在不同 Tile、不同帧上竞争同一个槽位，从而导致采样不稳定。
4. 独立采样: 每个槽位（Slot 0...15）在各自对应的流（Stream 0...15）上，独立执行一次加权蓄水池采样 (Weighted Reservoir Sampling, WRS)。它们会计算当前光源的 PDF，并按概率决定是否用这个新光源替换槽位中已有的光源。

5. 存储与效果

数据存储 (32-bit):
- 每个采样结果被压缩存储为一个 32-bit 数据：
  - Light Index (16 bits): 光源在列表中的索引。
  - Light Weight (16 bits): 光源的采样权重，即 PDF 的倒数 $1/ p (l i g h t)$ 。
- 为了缓存友好，16 个样本（对应一个 Big Tile）被打包存在一个 4x4 像素块中。整个蓄水池 Buffer 非常小（例如 1080p 仅需 16x36 像素）。
效果对比:
- 讲座展示的对比图明确显示：在进入下一阶段（Small Tile Resampling）时，如果从 SRS 选出的 16 个光源中采样，得到的图像噪声（Noise）显著低于从 16 个均匀采样（Uniform Sampling） 的光源中采样的结果。
- 结论: 这个阶段（Big Tile Sampling）是高效且必要的，它成功地为下一阶段提供了高质量、低噪声的输入。

阶段二：小切片重采样 (Small Tile Resampling)

这个阶段的目标是：从上一阶段（Big Tile）筛选出的 16 个候选光源中，为每个“小切片”（Small Tile，例如 16x16）最终选出 1 到 4 个光源用于着色。

1. 核心挑战：切片瑕疵 (Tiling Artifacts)

如果简单地在 16x16 的网格上进行采样，会导致两个严重的视觉问题：

小切片瑕疵 (Small Tile Artifacts):
- 原因: 规则的 16x16 网格导致采样具有高度相关性 (Correlation)，人眼会明显感知到网格边界。
大切片瑕疵 (Big Tile Artifacts):
- 原因: 在小切片中心点 “点采样”（Point Sampling） 其所属的 Big Tile 蓄水池，会导致在 128x128 的大切片边界上出现明显的跳变。

2. 解决方案：解耦采样模式

为了同时解决上述两个问题，HypeHype 采用了一套精妙的采样模式：

A. 方案一 (解决小切片瑕疵): 交错采样 (Interleaved Sampling)

核心思想: 打破 16x16 的刚性网格，将 4 个相邻小切片的像素交错分布在一个更大的 32x32 像素足迹 (Footprint) 上。
具体实现:
1. 预计算 64 种 2x2 像素四方块 (Quad) 的分布模式。
2. 使用 高斯泊松分布 (Gaussian Poisson distribution) 来生成这些模式，使得采样点倾向于向 Tile 中心集中，同时避免来自同一个 Tile 的采样点彼此相邻。
3. 这 64 个 2x2 的四方块被分配给 4 个不同的 Tile（红、绿、蓝、黄），然后在整个屏幕上平铺。
效果: 成功消除了 16x16 的小切片网格瑕疵。

B. 方案二 (解决大切片瑕疵): 随机双线性过滤 (Stochastic Bilinear Filtering)

核心思想: 与其让一个小切片 100% 属于一个大切片，不如在它们之间实现平滑过渡。
具体实现:
- 当一个小切片需要采样时，它会在自己的中心点上施加一个随机偏移量 (Random Offset)。
- 这个偏移后的新位置决定了它将从哪个（或哪几个）大切片的蓄水池中进行采样。
效果: 实现了大切片之间（例如 128x128 边界）的平滑过渡，消除了边界瑕疵，使噪声更适合时空降噪（TAA）处理。

3. 核心算法：高质量 PDF 的随机评估

在小切片阶段，算法需要一个更精确、更昂贵的 PDF 来选出最终的 1-4 个光源。

A. 评估方法：随机 PDF 评估 (Stochastic PDF Evaluation)

由于在 Tile 的 256 个像素上计算精确 PDF 代价过高，算法采用了随机采样的近似方法：

随机选取采样点: 从该 Tile 拥有的 64 个 2x2 四方块位置中，随机选取 4 个采样点。
计算平均反射亮度: 在这 4 个点上，计算平均反射亮度 (Average Reflected Luminance)，并将其用作 PDF。
PDF 公式: PDF 的核心是 光照 = 光源的阴影化光照强度 × BRDF
- PDF ≈ Shadowed Illuminance × BRDF

B. 关键性能妥协 (Performance Compromises)

为了让这个 PDF 计算得足够快，团队做出了几个关键的工程妥协：

妥协 1：单色近似 (Monochromatic Approximation)
- 理想情况: 应计算 RGB 的 Illuminance × BRDF，然后取结果的亮度。
- 实际做法: 先分别计算光源和材质的标准亮度 (Luminous Efficiency)，然后将这两个标量相乘。
- 代价: 性能更高，但损失了精度（例如，无法正确评估“红光”照射“蓝色表面”时 PDF 应该很低的情况）。
妥协 2：PDF-BRDF 近似 (BRDF Approximation)
- 理想情况: 最终着色使用 Lambert + GGX。
- 实际做法: 在 PDF 计算中，使用一个更便宜的近似：Lambert + Blinn-Phong。实践证明这是一个足够好的近似。
妥协 3：材质参数平均 (Material Parameter Averaging)
- 先将 4 个采样点的材质参数（如 Albedo）进行平均，然后用这个平均值计算 4 次光照；而不是计算 4 次独立的光照再平均。

4. 挑战与解决方案：处理采样偏差 (Bias)

问题: 仅用 4 个随机点估算 PDF 会引入偏差 (Bias)。
典型案例: 某个 Tile 只有一小部分被照亮，但随机的 4 个采样点可能全部恰好落在了阴影中。
结果:
1. 算法错误地认为该 Tile 的 PDF 为 0，导致不会拾取任何光源。
2. 这会产生 “带偏差的光照边缘噪声” (Biased lighting edge noise)，在 TAA 处理后，表现为局部区域轻微变暗。
缓解措施 (Mitigation):
- 这是一个工程上的“妥协”：在将阴影项（一个 0-1 的值）乘入 PDF 之前，为其添加一个微小的偏移量 (Small Offset)。
- 这能防止 PDF 轻易变为 0，在降噪后，这种偏差基本不可见。

5. SRS 实现与权重解偏 (Weight Unbiasing)

SRS 流程:
- 与 Big Tile 阶段类似，将 16 个候选光源分为 N 个流（N 为小切片蓄水池大小，例如 4）。
- 随机打乱 (Shuffle) 流的顺序，以防止高权重的光源在相邻的小切片上“霸占”同一个蓄水池槽位。
关键步骤：权重解偏 (Unbiasing the Bias)
- 我们在 Big Tile 阶段已经基于一个粗略的 PDF ( $p_{bi g}$ ) 进行了采样。
- 我们现在又计算了一个精确的 PDF ( $p_{s ma ll}$ )。
- 为了保证最终采样的无偏性，在 Small Tile 阶段进行 SRS 时，使用的概率必须是重采样概率 (Resampling PDF)，即：
  $p_{res am pl e} = \frac{p _{s ma ll}}{p _{bi g}}$
- 最终存储在蓄水池中的权重 (Weight) 也就是这个概率的倒数。
存储:
- 最终的 1-4 个光源样本（32-bit 的 Index + Weight）被写入一个非常小的 RT 中（1080p 下仅需 32-128 KB）。

阶段三：延迟阴影 Pass (Deferred Shadow Pass)

在“小切片重采样”选定最终的 1-4 个光源后，管线并不立刻进行光照计算，而是进入一个独立的 Pass 专职计算阴影。

1. 核心思想：解耦与降分辨率 (Decoupling & Resolution)

关键优化: 阴影计算与最终的光照着色 Pass 完全解耦 (Decoupled)。
降频计算: 阴影不是逐像素（Per-Pixel）计算的，而是每 2x2 像素的四方块 (Quad) 仅计算一次。
效果: 阴影评估的计算量、采样次数、带宽消耗被直接削减为原来的 1/4。

2. 解耦带来的架构优势

将阴影计算移出光照着色器（Lighting Shader）带来了多项显著好处：

大幅简化光照着色器:
- 光照 Pass 不再需要处理复杂的、区分光源类型（聚光灯、点光源、平行光）的阴影采样逻辑。
- 这显著降低了光照 Pass 的Wave Divergence、数据访问复杂度和 VGPR (GPR) 压力。
提升灵活性与扩展性:
- 阴影的实现（例如使用 Shadow Map、Ray Tracing 或是其他技术）可以被随意替换或升级，而无需修改复杂的光照着色器。

3. 实现细节：阴影图集 (Shadow Map Atlas)

HypeHype 的阴影数据存储在一个持久化、动态管理的 16-bit 深度图集 (Atlas) 中。

光源类型适配:
- 聚光灯 (Spot Lights): 使用标准的透视阴影图 (Perspective Shadow Maps)。
- 点光源 (Omni Lights): 使用 八面体阴影图 (Octahedral Map / Octad Map) 来代替 6 个面的 CubeMap，这种投影方式更节省图集空间。
LOD (Level of Detail):
- 根据光源距离摄像机的远近，动态缩放（Resize） 其阴影图的分辨率，以此平衡阴影质量和图集存储开销。
阴影图集更新:
- 动静分离:
  - 静态阴影图 (Static Maps): 仅包含静态几何体。只在光源变换或阴影分辨率改变时才重绘 (Update)。
  - 动态阴影图 (Dynamic Maps): 包含动态几何体，每帧持续重绘。
- 负载均衡 (Load Balancing):
  - 为了避免大量动态阴影图在同一帧更新导致性能尖峰 (Spikes)，系统使用一个优先级队列 (Priority Queue System)。
  - 这会将阴影图的渲染任务分摊 (Spread) 到多个帧上执行。

4. 实现细节：滤波与存储

阴影滤波 (Shadow Filtering):
- 采用 4-Tap 硬件 PCF（Percentage-Closer Filtering）。
- 结合 随机 PCF (Stochastic PCF) 来产生更柔和、更自然的阴影边缘。
- 每次阴影项评估（每 2x2 Quad 一次）仅需一次 Gather 操作。
光照效果应用:
- 在这个 Pass 中，除了计算阴影，还会一并应用光源的 IES 光域网文件 和聚光灯的角度衰减 (Angular Falloff)。
- 注: IES 同样也在上一阶段的 PDF 计算中被使用，以降低采样噪声。
阴影项存储 (Shadow Term Storage):
- 计算出的阴影项（一个 0 到 1 的遮挡值）被存储为 8-bit 格式以节省带宽。
- 抗色带 (Anti-Banding): 为了防止 8-bit 精度带来的色带瑕疵，算法会为其添加 1-bit 的时域噪声 (Temporal Noise)，后续的 TAA（时域抗锯齿） 会将其平滑掉。
- 数据布局: 阴影项被存储在 8x8 像素的块（Blocks） 中，这对应了上一阶段小切片的 64 个交错 Quad 样本，这种布局对 GPU Wave 更加友好。

5. 瑕疵与权衡 (Artifacts & Trade-offs)

主要问题: “每 2x2 Quad 共享一个阴影值” 这一优化的最大缺陷在于物体轮廓（Object Silhouettes） 和阴影边缘。
具体表现: 一个 2x2 的 Quad 可能恰好跨越了阴影边界，本应是 2 个亮、2 个暗，但现在被强制统一为同一个值（例如全亮或全暗）。
缓解措施:
1. 随机切片采样 (Randomized Tile Sampling): 在空间上打乱了瑕疵的规律性。
2. TAA: 在时间上平滑掉（Mitigate）这种瑕疵。
最终效果: 瑕疵在大多数情况下很轻微。如果特定场景无法接受，系统也保留了回退（Fallback）到全分辨率（Per-Pixel） 阴影计算的能力，但这会牺牲性能。

阶段四：最终光照评估 (Final Lighting Evaluation)

这是管线的最后一个阶段，负责将所有采样和阴影数据合成为最终的光照。

1. 核心思想与挑战

目标: 遍历屏幕上的每一个像素，获取它所属的“小切片”（Small Tile）的 1-4 个光源样本，并结合阴影数据，计算最终光照。
计算公式:

$F ina l L i g h t in g = \sum_{i = 1}^{N} (L amb er t + GGX) \times S ha d o wT er m_{i} \times S am pl e W e i g h t_{i}$
- 其中 $N$ 为 1 到 4。
Pixel Shader 的挑战:
- 由于 HypeHype 采用了 Pixel Shader 来实现所有 Pass（以兼容移动端 TBR），一个核心问题是：屏幕上的一个像素，如何知道它应该去哪里读取 Tile 数据和阴影数据？
- 解决方案: 使用一个 16x16 的反向查找表 (Inverse Slot LUT)。这个 LUT 存储了屏幕像素坐标到“交错采样（Interleaved）”的 Tile 索引和样本索引的映射关系。
Compute Shader 的替代方案:
- 讲者提到，如果使用 Compute Shader，这个过程会更简单。可以直接在一个 Tile 内进行计算，然后使用散射写入 (Scatter Writes) 将结果写回光照 Buffer，无需反向查找。

2. 架构优势

固定成本 (Fixed Cost):
- 由于每个 Tile 只处理 1-4 个光照样本，这个 Pass 的性能开销与场景光源复杂度（例如 50 或 500 个灯）完全无关。
统一着色器 (Unified Shader):
- 因为阴影计算在上一阶段被解耦 (Decoupled)，这个光照着色器本身非常简单和统一，无需处理不同光源类型（点、聚光灯等）的复杂逻辑。
- 这极大地降低了 GPU 的Wave Divergence。

核心挑战：降噪 (The Core Challenge: Denoising)

这是目前该算法面临的最大挑战。

1. 目标：用 TAA 取代独立降噪器

动机: 独立的时空降噪 Pass（如 SVGF）会消耗大量的内存带宽 (Bandwidth)，这在移动端是不可接受的。
方案: 团队希望改进现有的 TAA（时域抗锯齿），使其能“顺便”完成降噪任务。

2. 核心问题与瑕疵

问题: 标准 TAA 与随机光照（Stochastic Lighting）不兼容。
根本原因: 标准 TAA 为了防止鬼影（Ghosting），会使用一个 3x3 邻域的历史色彩钳制 (History Color Clamping)。
失败场景:
1. 在一个 3x3 邻域内，当前帧的像素 A 可能采样到了光源 L，但它的邻居 B、C、D... 都没有采样到 L。
2. 当 TAA 试图混合历史帧时，它会查看 A 的邻居的历史数据（B、C、D...），发现它们的历史亮度都很低。
3. TAA 的色彩钳制逻辑会错误地认为 A 的高亮度（来自光源 L）是一个“鬼影”或噪点，从而强行将其亮度压低。
最终瑕疵: 导致闪烁的光斑 (Flashing lighting splotches)，严重破坏画面稳定性。
状态: 这是一个活跃的研发中（Active R&D） 领域。

性能与结果分析

1. 视觉质量

1 SPP vs 4 SPP (每像素采样数):
- 4 SPP 能更好地还原高频细节，例如清晰的高光反射 (Specular Reflections)。
- 1 SPP 噪声更强，但在 TAA 之后，结果是“可接受的”（Acceptable），没有重大差异。
Big Reservoir Size (大切片蓄水池大小):
- 减小蓄水池大小（例如从 16 降到 8）会导致画面整体变暗 (Darkening)。
- 原因: 这是一种偏差 (Bias)。为了抑制“萤火虫”（Fireflies，即权重极高的噪点），算法会对采样权重进行封顶（Capping）。当蓄水池太小时，选不到足够好的光源，导致更多像素的权重被封顶，从而引入了这种变暗的偏差。
- 结论: 16 是一个平衡点，能提供更丰富的光源集，减少噪声。

2. 性能数据

讲座对比了三档设备：Adreno 610 (廉价手机)、Adreno 830 (高端手机) 和 RTX 4070 (PC)。

测试 1 (对比“仅太阳光”):
- 在启用 1 SPP 的 STB 光照后，开销增长非常小。
- 廉价手机 (Adreno 610) 上仅增加了 +0.66 毫秒。
测试 2 (50 个动态本地光源):
- 廉价手机 (Adreno 610)：+1.5 毫秒
- 高端手机 (Adreno 830)：+0.5 毫秒
- 关键瓶颈: 在这个场景下，“小切片重采样 (Small Tile SR Pass)” 的开销（在廉价手机上）增长了 3 倍。因为它现在需要从一个充满了 16 个有效候选者的 Big Reservoir 中进行重采样，而不再是像“仅太阳光”场景那样简单。
- 4 SPP 在廉价手机上非常昂贵，但在高端机和 PC 上是可接受的。
测试 3 (500 个光源):
- “大切片采样 (Big Tile SRS Pass)” 的开销依然微不足道（0.02 毫秒）。
- 结论: 算法的性能瓶颈不在于场景光源数量，而在于小切片重采样的计算复杂度。

总结与未来工作

1. 核心贡献

提出了一种新的随机光照算法，将采样从逐像素 (Per-Pixel) 转移到 逐切片 (Per-Tile)。
这极大地削减了带宽消耗和 GPU Wave Divergence，使得复杂动态光照在廉价移动设备上成为可能。

2. 未来的工作

Compute Shader 实现:
- 探索 CS 变体，以进一步优化。
- 最大机遇: 使用 CS 将最后三个 Pass（小切片重采样、阴影、光照）合并为一个大 Pass。这在 PC/主机上会有巨大提升，在某些移动设备上也可能有收益。
降噪 (Denoising):
- 最大的挑战。 必须解决 TAA 的兼容性问题。
- 备选方案: 尝试类似 RESTIR 的方法，从前一帧的小切片蓄水池中进行重采样，以增加时域稳定性。
PDF 改进 (Big Tile):
- 当前的“中心线段”PDF 太过简单，当 Tile 内深度分布不均时（例如只有近处和远处）效果不佳。
- 改进方向: 让 PDF 与 Tile 内的像素深度分布 (Pixel Depth Distribution) 成正比（可能利用 Hi-Z）。
PDF 改进 (Small Tile):
- 当前“4 采样点”的 PDF 评估既昂贵又引入了偏差。
- 改进方向: 尝试将其降为 “1 次保守评估 (1 Conservative Evaluation)”——使用 Tile 包围盒进行一次保守的阴影和 BRDF 评估（可能需要一个模糊的 G-Buffer）。
- 改进方向: 在 PDF 评估中加入色调映射 (Tone Mapping)，以降低高光区域的噪声。
功能扩展:
- 将采样方案扩展到体积 (Volumes)，以支持透明物体 (Transparency) 和体积光 (Volumetric Lighting)（例如在光线步进时进行采样）。

NothingToSay0031

Explorer

Graph View

Stochastic Tile-Based Lighting in HypeHype

Stochastic Tile-Based Lighting in HypeHype

1. 核心背景与挑战

移动端渲染的“三重枷锁”

2. 现有方案评估（为什么不适用）

A. 传统切片式延迟光照 (Traditional Tile-Deferred Lighting)

B. 随机光照 (Stochastic Lighting, e.g., RESTIR)

3. 解决方案：随机切片式光照 (Stochastic Tile-Based Lighting)

A. 核心思想

B. 核心算法：两阶段分层蓄水池采样

C. 渲染管线 (Rendering Pipeline)

阶段一：大切片光照采样 (Big Tile Sampling)

1. 核心目标与参数

2. 核心算法：分层蓄水池采样 (SRS)

3. 关键实现 (1): 低成本的 PDF 计算

4. 关键实现 (2): 16 槽位 SRS 并行流程

5. 存储与效果

阶段二：小切片重采样 (Small Tile Resampling)

1. 核心挑战：切片瑕疵 (Tiling Artifacts)

2. 解决方案：解耦采样模式

A. 方案一 (解决小切片瑕疵): 交错采样 (Interleaved Sampling)

B. 方案二 (解决大切片瑕疵): 随机双线性过滤 (Stochastic Bilinear Filtering)

3. 核心算法：高质量 PDF 的随机评估

A. 评估方法：随机 PDF 评估 (Stochastic PDF Evaluation)

B. 关键性能妥协 (Performance Compromises)

4. 挑战与解决方案：处理采样偏差 (Bias)

5. SRS 实现与权重解偏 (Weight Unbiasing)

阶段三：延迟阴影 Pass (Deferred Shadow Pass)

1. 核心思想：解耦与降分辨率 (Decoupling & Resolution)

2. 解耦带来的架构优势

3. 实现细节：阴影图集 (Shadow Map Atlas)

4. 实现细节：滤波与存储

5. 瑕疵与权衡 (Artifacts & Trade-offs)

阶段四：最终光照评估 (Final Lighting Evaluation)

1. 核心思想与挑战

2. 架构优势

核心挑战：降噪 (The Core Challenge: Denoising)

1. 目标：用 TAA 取代独立降噪器

2. 核心问题与瑕疵

性能与结果分析

1. 视觉质量

2. 性能数据

总结与未来工作

1. 核心贡献

2. 未来的工作

Table of Contents