大家好，本文是对Real-Time Path Tracing and Beyond和它的视频：HPG 2022 Monday, Day 1 (enhanced)学习的总结，并结合我的理解进行了一些延伸

得益于下面的技术进步，使得通常应用于离线渲染技术中的路径追踪能够应用于实时渲染：

RTX显卡带来的硬件光追管线
使用该管线可使射线与场景相交计算大幅提升；并且不再需要自己维护BVH加速结构，而是直接使用管线默认提供的加速结构来代替
新的采样方法：ReSTIR
该采样方法通过在渲染过程中减少采样的方差，带来了几十倍的速度提升；并且能够优化有大量光源的情况；并且支持更健壮的光源路径（比如光源隐藏在门后的情况）
新的降噪技术
主要代表为SVGF等结合时间和空间上的信息一起做Filter的降噪算法以及基于神经网络降噪技术

渲染管线

实时渲染路径追踪的渲染管线如下图所示：

管线分为三个部分：
前端->光照传输->后处理

下面依次讨论：

前端

前端主要负责组织场景数据，包括构造和更新场景数据

有两个实现方案：

使用基于光追管线提供的BLAS和TLAS来组织场景数据，并使用它的API来更新场景数据
对于不支持光追管线的情况，也可以自己构造和更新BVH
- 如何使用LBVH算法在CPU端构造BVH，可参考如何用WebGPU流畅渲染百万级2D物体？->实现BVH
- 如何改进GPU端遍历BVH，可参考WebGPU实现Ray Packet
- 如何在GPU端构造BVH并具有良好的访问性能，可参考PLOC算法，参考代码在这里
- 如何更新BVH，可参考更新BVH树

光照传输使用路径追踪来实现直接光照和间接光照的计算。

不过对路径追踪进行了下面的改进：

原文还对frameless render进行了讨论，不过我不是很了解

后处理包括降噪->DLSS->其它后处理（如tone map）

这里讨论降噪

原文使用了Nvdia的NRD Denoiser来降噪，它相当于SVGF的改进版

我其实更看好神经网络降噪，这也是最近的发展趋势

原文中也提到了一种神经网络降噪的方法：Neural Temporal Adaptive Sampling and Denoising

它还有改进的论文：
Interactive Monte Carlo Denoising using Affinity of Neural Features

通过参考下面的资料：

我确定了通过依次实现下面的论文，可以逐渐改进蒙特卡洛降噪器：

LBF
A machine learning approach for filtering Monte Carlo noise
KPCN
Kernel-predicting convolutional networks for denoising Monte Carlo renderings
KPAL
Denoising with kernel prediction and asymmetric loss functions
Monte Carlo Denoising via Auxiliary Feature Guided Self-Attention
Self-Supervised Post-Correction for Monte Carlo Denoising

因为使用了统一的路径追踪算法，所以只需要一个shader

这个shader原文作者写了1万行，规模相当大，因此需要一种更容易维护、更模块化的shader语言

因此，原文作者使用了slang，它支持接口定义等语法，貌似可以进行单元测试，可以编译为GLSL、HLSL等着色器语言

slang相当于Typescript，也就是在原始的着色器语言之上增加了一层编译器

下面是我构想的具体实现的方案：

Web3D

WebGPU
如果渲染器是运行在浏览器中的话，则使用WebGPU这个图形API。但是目前WebGPU只有计算管线而没有光追管线，所以我们就需要自己维护BVH
WebGPU Node
如果渲染器是运行在Nodejs中的话，则可以使用WebGPU Node这个开源的Nodejs项目。它底层封装了Vulkan SDK，上层使用了dawn-ray-tracing项目，提供了WebGPU API，实现了在Nodejs环境中使用WebGPU API和光追管线来实现硬件加速的光线追踪。
具体介绍可见WebGPU+光线追踪Ray Tracing 开发三个月总结