第 2 章 Monte Carlo Integration

第 2 章 Monte Carlo Integration：用概率密度、估计量、方差与重要性采样解释渲染积分的误差，依据PBRT 4e完整正文独立重写。

学习目标

  • 能说明“第 2 章 Monte Carlo Integration”如何用概率密度、估计量、方差与重要性采样解释渲染积分的误差
  • 能逐项核对monte carlo、estimator、probability density function、importance sampling、variance在对象、测度、空间或执行阶段中的归属
  • 能用章专属路径图与估计量实验制造“从一个分布采样却用另一个PDF除权，或把低噪声误当成无偏”并找到seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差中的首个分叉
  • 能修改最小实现、固定随机种子，并验证“第 2 章 Monte Carlo Integration的固定输入、路径状态、估计量输出和恢复结果可由同一证据包重放”

从一个像素样本开始

“第 2 章 Monte Carlo Integration”先固定scene hash、pixel、sample index和随机种子，再预测一条路径或一个估计量的中间状态。若seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差不能解释首个差异，即使最终图像看起来合理也不能通过。

本页不变量是：第 2 章 Monte Carlo Integration的固定输入、路径状态、估计量输出和恢复结果可由同一证据包重放。正常、故障、恢复三次运行共享场景、版本、采样序列与质量目标，只允许改变一个机制条件。

来源、版本与重写边界

本页依据开放在线的 PBRT 4e 官方完整正文独立重写，并用官方总目录核对章节与小节边界。正文不复刻原书段落；公式、接口名和机制结论以第4版正文与pbrt-v4官方源代码交叉检查。

第4版正式结构是16个编号章与A–C三个附录。本课程保持16个页面；最终综合页显式映射第16章和三个实现附录，不再把旧版章节顺序、Vulkan API或虚构“Rendering System”当作第4版目录。

六个检查词

在“第 2 章 Monte Carlo Integration”的术语核对中，、、、、。术语必须进入公式、路径状态、代码和可重放输出，不能只在目录里出现。

原版单元、机制与边界

2 Monte Carlo Integration

在“第 2 章 Monte Carlo Integration”的本单元核对中，蒙特卡洛估计量用随机变量样本近似积分，只要样本来自声明的PDF并以同一PDF除权，期望值才与目标积分一致。重要性采样不改变期望值，而是让高贡献区域更常被抽到以降低方差。

本单元的可推翻反例是“从一个分布采样却用另一个PDF除权，或把低噪声误当成无偏”。若发生分叉，按seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差定位，而不是把差异归因于“渲染有随机性”。

I^N=1N∑i=1Nf(Xi)p(Xi)\hat I_N=\frac1N\sum_{i=1}^{N}\frac{f(X_i)}{p(X_i)}

官方小节覆盖

  • Monte Carlo: Basics：在“第 2 章 Monte Carlo Integration”中以用概率密度、估计量、方差与重要性采样解释渲染积分的误差的对象、测度或执行合同核对。
  • Improving Efficiency：在“第 2 章 Monte Carlo Integration”中以用概率密度、估计量、方差与重要性采样解释渲染积分的误差的对象、测度或执行合同核对。
  • Sampling Using the Inversion Method：在“第 2 章 Monte Carlo Integration”中以用概率密度、估计量、方差与重要性采样解释渲染积分的误差的对象、测度或执行合同核对。
  • Transforming between Distributions：在“第 2 章 Monte Carlo Integration”中以用概率密度、估计量、方差与重要性采样解释渲染积分的误差的对象、测度或执行合同核对。

先预测，再操作三个章专属实验

分步1 / 3

1. 路径空间与对象归属

调整路径顶点与下一事件估计，观察本章对象如何改变throughput和贡献。

Path-space inspection

第 2 章 Monte Carlo Integration

用概率密度、估计量、方差与重要性采样解释渲染积分的误差

Film传感器x₁首个交点x₂散射事件Light发光端
throughput0.462
估计贡献0.620

观察对象：monte carlo、estimator、probability density function、importance sampling、variance

最小可重现实验

Float u = sampler.Get1D();
auto [x, pdf] = SampleDistribution(u);
Float estimate = pdf > 0 ? f(x) / pdf : 0;

运行“第 2 章 Monte Carlo Integration”时保存PBRT版本、场景hash、像素/样本、波长样本、关键对象状态和输出摘要。截图只能证明最终外观，不能替代路径顶点、PDF、throughput、错误界或队列身份。

练习与答案

练习

问题 1：公式边界。 在“第 2 章 Monte Carlo Integration”中，如何用固定小样本验证 I^N=1N∑i=1Nf(Xi)p(Xi)\hat I_N=\frac1N\sum_{i=1}^{N}\frac{f(X_i)}{p(X_i)}，并标明每个量的对象、测度、空间和时间点？

问题 2：正式坐标。 monte carlo、estimator、probability density function、importance sampling、variance怎样进入可操作验证？

问题 3：恢复证据。 怎样证明“从一个分布采样却用另一个PDF除权，或把低噪声误当成无偏”已真正修复？

本章回顾

掌握“第 2 章 Monte Carlo Integration”意味着能把“用概率密度、估计量、方差与重要性采样解释渲染积分的误差”落到真实PBRT对象、数学测度和执行阶段，能主动制造“从一个分布采样却用另一个PDF除权，或把低噪声误当成无偏”，并凭seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差恢复同输入结果。

名词解释

本章出现的专业名词，用大白话再讲一遍。

monte carlo

monte carlo在“第 2 章 Monte Carlo Integration”的“2 Monte Carlo Integration”中用于用概率密度、估计量、方差与重要性采样解释渲染积分的误差；由seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差核对。

estimator

estimator在“第 2 章 Monte Carlo Integration”的“2 Monte Carlo Integration”中用于用概率密度、估计量、方差与重要性采样解释渲染积分的误差；由seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差核对。

probability density function

probability density function在“第 2 章 Monte Carlo Integration”的“2 Monte Carlo Integration”中用于用概率密度、估计量、方差与重要性采样解释渲染积分的误差；由seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差核对。

importance sampling

importance sampling在“第 2 章 Monte Carlo Integration”的“2 Monte Carlo Integration”中用于用概率密度、估计量、方差与重要性采样解释渲染积分的误差；由seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差核对。

variance

variance在“第 2 章 Monte Carlo Integration”的“2 Monte Carlo Integration”中用于用概率密度、估计量、方差与重要性采样解释渲染积分的误差；由seed、sample、f(x)、p(x)、单样本贡献、均值与样本方差核对。

阅读导航

← 第 1 章 Introduction · 第 3 章 Geometry and Transformations →

讨论

评论区加载中…