跳转到内容
Jason's Study

Veach MIS — 用一行加权公式让多种采样策略各取所长

是什么

多重重要性采样（Multiple Importance Sampling，MIS）是一招让你同时跑多种采样策略、再按各自靠谱程度加权合起来的技巧。一行公式：

w_i(x) = (n_i · p_i(x))^β / Σ_j (n_j · p_j(x))^β

日常类比：你在不同天气预报 App 之间不知道信哪个，干脆全都看一遍，然后按”哪个 App 在这种天气下最准”加权平均。Veach 给的就是这个加权公式。

放到渲染里：算一个像素颜色，需要对所有入射光求积分（见 kajiya-1986-rendering-equation）。可以按光源方向采样（“光从哪儿来”），也可以按 BSDF 方向采样（“表面爱反射到哪儿”）。两种各有死穴。MIS 让你同时跑、合权重，方差比单跑任何一个都低。

为什么重要

1995 年之前，路径追踪两个最痛的场景：

  • 小光源 + 漫反射表面：BSDF 采样几乎打不中那一小坨光源 → 噪点炸裂
  • 大光源 + 镜面表面：light 采样能命中光源，但反射方向几乎不对应入射方向 → 贡献几乎为 0

工程师只能”看场景类型决定哪种采样”，或者各跑一半再硬平均——两种方式都会在边界场景出问题。

Veach 的洞察是：两种估计都是无偏的，差别只在方差。把它们按”哪种 pdf 在该样本上更高”加权合并，就能在每一种场景下都接近最优。代价：每条路径多算一次另一种策略的 pdf，几乎零开销。

效果：

  • 玻璃球被小面光源照射这种”两种策略各崩一半”的场景，噪点直接降一个数量级
  • 今天 Arnold / Cycles / RenderMan / PBRT / Mitsuba 全都内置 MIS，path tracer 不写 MIS 等于没写

核心要点

三个关键设计：

  1. 加权和必须等于 1：w_1 + w_2 + … + w_n = 1，不然估计器有偏。
  2. balance heuristic：β=1 时叫 balance heuristic，Veach 在论文里证明它的方差离理论最优只差一个常数。
  3. power heuristic：β=2 时叫 power heuristic，更激进地把权重压给 pdf 大的那一项。Veach 推荐 β=2，工程上更稳。

直观理解 power heuristic：

  • 如果 light sampling 给的 pdf 是 100，BSDF sampling 是 1，那这个样本”应该听 light 的”
  • 权重比 100^2 : 1^2 = 10000:1，等于几乎只用 light 那一项
  • pdf 一旦被某个策略压得很低，它在 MIS 里就被自动边缘化，不会拖累整体

为什么不 max 取最大那个：max 不是连续函数、会让估计器偏差。MIS 的妙处是平滑过渡。

实践案例

案例 1：玻璃球被小光源照射

# 伪代码：估计点 x 上的反射光
def estimate_radiance(x, normal):
    # 策略 1：按光源采样
    light_dir, p_light = sample_light()
    p_bsdf_at_light_dir = bsdf_pdf(light_dir)
    contribution_light = bsdf(light_dir) * cos(light_dir, normal) * Le
    w_light = p_light**2 / (p_light**2 + p_bsdf_at_light_dir**2)


    # 策略 2：按 BSDF 采样
    bsdf_dir, p_bsdf = sample_bsdf()
    p_light_at_bsdf_dir = light_pdf(bsdf_dir)
    contribution_bsdf = bsdf(bsdf_dir) * cos(bsdf_dir, normal) * Le_at(bsdf_dir)
    w_bsdf = p_bsdf**2 / (p_light_at_bsdf_dir**2 + p_bsdf**2)


    return w_light * contribution_light / p_light + w_bsdf * contribution_bsdf / p_bsdf

注意三件事：

  • 两条路径都跑，最后加权合并
  • 每条路径都要算”另一种策略会以多大概率采到这个点”——这就是 p_bsdf_at_light_dir 那一行
  • 权重之和 = 1

案例 2：β 不同的效果对比

β 值名字行为适用
0平均 heuristic完全平均，等价不带权重几乎没人用
1balance heuristicVeach 证明方差离最优差常数理论分析
2power heuristic工程默认，pdf 高的几乎独占生产环境
∞maximum heuristic退化成 max（不连续）不可用

PBRT / Mitsuba / Cycles 默认 β=2。

案例 3：今天还在用

打开任何一个 GPU path tracer（如 OptiX / Falcor），grep “MIS” 或 “power heuristic” 都能在 next event estimation 那一段命中这一行公式：

float misWeight = (pLight * pLight) / (pLight * pLight + pBsdf * pBsdf);

30 年前的 SIGGRAPH 论文，原样进了 2026 年的实时渲染管线。

踩过的坑

  1. pdf 度量空间要统一：light sampling 一开始给的是面积空间 pdf（“光源表面单位面积的密度”），BSDF 给的是立体角空间 pdf。必须先把 light 的换算成立体角（除以距离平方、乘 cos），才能放进同一个 MIS 公式比。新人最容易在这里翻车。

  2. n_i 是策略总样本数、不是 1：如果 light 采 4 次、BSDF 采 1 次，公式里 n_light=4、n_bsdf=1。常见 bug：写成 1 和 1，等于无视采样配比，方差反而上升。

  3. delta 分布要单独处理：完美镜面（mirror）和点光源的 pdf 是 delta 函数（无穷大）。MIS 公式里直接代入会爆炸。处理方法：specular bounce 那一段路径不进 MIS，单独累加。今天的 path tracer 都有 isDelta 标志位专门拐弯。

  4. 权重函数任意但要 Σ=1：理论上 w_i 可以是任何函数，只要加起来 = 1 且 p_i=0 时 w_i=0。balance/power 只是其中两种实例。学术界还在研究”哪种 heuristic 在哪种场景下最优”——但工程上 power β=2 是 30 年没动的默认。

适用 vs 不适用场景

适用：

  • 任何要把多种采样策略合一的蒙特卡洛积分（不只渲染、金融定价、贝叶斯也用）
  • 渲染里的 next event estimation —— 必装
  • 每种策略各擅长一类积分子区域、互补但都不完美的情况

不适用：

  • 只有一种合理采样策略 —— 直接用就行，没必要 MIS
  • 全是 delta 分布（纯镜面世界） —— pdf 退化，要走 specular path 单独累加
  • 策略 pdf 很难解析地求 —— 要凑个公式估 pdf 才行，否则没法算权重

历史小故事（可跳过）

  • 1986：Kajiya 提渲染方程，路径追踪诞生（见 kajiya-1986-rendering-equation）。但小光源场景噪点劝退。
  • 1993：Lafortune 双向路径追踪用”两端发光”减方差（见 lafortune-1993-bdpt），但每一对路径仍要决定怎么合权重。
  • 1995：Veach 在 Stanford 读博，把这个”如何合权重”的问题数学化，给出 power heuristic。SIGGRAPH 这篇 9 页论文是博士论文的预演。
  • 1997：Veach 博士论文完整版（含 BDPT、MLT、MIS），拿 SIGGRAPH 最佳论文，2014 年获奥斯卡技术成就奖——电影工业把这套方法用在《阿凡达》、皮克斯所有片子上。

Veach 后来去了 Google，主导了 AdSense 拍卖系统的设计，是另一段传奇。

学到什么

  1. 多种采样策略各有死穴 → 加权合并即可，不必择优——这是 MC 估计的通用思想，不止渲染
  2. balance/power heuristic 的核心是 pdf 比——pdf 高的策略权重高，自动让”对的人”主导
  3. β=2 比 β=1 工程上更好用：理论 vs 实践之间的微妙差距
  4. 9 页 SIGGRAPH 论文 + 30 年生产环境零修改 —— 工程界少有的”一次写对、终身受用”
  5. 与 kajiya-1986-rendering-equation 互补：Kajiya 给方程、Veach 给”怎么解最不噪”

延伸阅读

关联