Microfacet

Microfacet Theory - Physically Based Rendering

Roughness Using Microfacet Theory - PBRT

引入

物体在宏观上有一个法线$n$，而由于真实的表面都是坑洼不平的，对于微观的一束光，其会命中表面的一个倾斜的片（微表面）而反射出去，这个倾斜面片的法线往往和宏观的$n$方向不同。对于同一个表面从大量的光的统计上来看，越粗糙偏离的也就越大。

当然，如果我们有一个非常强悍的机器，我们可以做一个分辨率很高的模型，其表面具有真正坑坑洼洼的三角形，但是这样做时间、空间的效率都很差。

有意思的是，大量的微表面可以在统计学意义上被建模，从而让基于微表面理论的BSDF不用再受制于上面提到的问题。

光学模型

图片展示了三种光学行为
(a): 遮挡，相机看不到被照亮的地方，被其他的微平面挡住了
(b): 阴影，相机看到的地方没有光的照射，因为光线被其他的微平面挡住了
(c): 来回反射(Interreflection), 光线在微表面之间反射，最终能被相机看到

广泛使用的微表面 BSDFs 忽略来回反射。其主要由两个部分组成，一是微表面朝向的统计分布，二是描述光线如何从单个微表面散射的 BSDF

假设光源和观察者相对于微表面的尺度而言足够远的前提下，精确的表面轮廓（那些微表面的具体形状）对于遮蔽和阴影的影响相对较小。

数学推导

微表面分布项 $D(\omega_m)$

我们先不考虑遮挡和阴影，我们首先讨论法线和粗糙度的关系，而我们需要知道有多少比例的微观法线指向了某个特定方向。

我们定义$D(\omega_m)$给出的是法线朝向为 $\omega_m$ 的微表面 (microfacets) 的相对微分面积，给 $D$ 一个方向（$\omega_m$），它会告诉你“有多少(宏观面积一个 $dA$中的)微观法线正指向这个方向”

所有到达 $dA$ 这个小区域的入射光线（$\omega_i$）都是互相平行的。
所有离开 $dA$ 这个小区域的出射光线（$\omega_o$）也都是互相平行的

其有如下关系：
$\int_{H^2(\bold{n})} D(\omega_m) (\omega_m \cdot \bold{n}) d\omega_m = \int_{H^2(\bold{n})} D(\omega_m) \cos \theta_m d\omega_m = 1$
表示一块粗糙的表面，无论它内部多么凹凸不平，它在宏观世界（比如被太阳光照射）的总‘占地面积’是不会变的。

注意，这里的 $\bold{n}$ 在标准反射坐标系（standard reflection coordinate system）下，有 $\bold{n} = (0,0,1)$， 那么 $\omega_m \cdot \bold{n}$ 等价于 $\cos \theta_m$

$\int_{H^2(\bold{n})} D(\omega_m) \cos \theta_m d\omega_m = 1$

• $\int_{H^2(\bold{n})} \dots d\omega_m$ 检查所有（$\int$）可能的倾斜方向（$d\omega_m$）
• $D(\omega_m)$ 朝向 $\omega_m$ 这个方向的微表面占比是多少
• $\theta_m$ 是微表面的法线 $\omega_m$ 和“底座”法线 $\bold{n}$（垂直向上）的夹角 $\cos \theta_m$ 描述了其（投影在宏观上的）投影的面积
• $D(\omega_m) \times \cos \theta_m$ 表示所有朝向 $\omega_m$ 的木片，它们在平坦底座上的‘投影’总面积
• $\int \dots = 1$ 表示所有投影面积的总和，必须等于 1

最常见的微表面分布类型是各向同性的 (isotropic)，这也会导出一个各向同性的聚合 BSDF。
回想一下，当表面绕着宏观表面法线旋转时，一个各向同性的 BSDF 其局部的散射特性是不会改变的

在各向同性的情况下，使用球坐标参数 $\omega_m = (\theta_m, \phi_m)$ 会得到一个只依赖于仰角 $\theta_m$ 的分布。

X 轴 ($\theta_m$)： 微观法线的倾斜角度
Y 轴 ($D(\omega_m)$)： 法线的数量（密度）

“长尾”（来自 $\theta_m$ 很大的法线）会捕捉到光，并将其散射开，形成一个非常宽广、非常柔和的“朦胧光晕”

具体实现

那么我们怎么具体去实现D的分布呢？不同的论文有不同的实现，目前比较主流的是GGX与 Disney 实现。
注意，在 D F G 三项中，一般F是通用的，而D与G项配对使用

GGX中的$D(\omega_m)$

$D(\omega_m) = \frac{1}{\pi \alpha_x \alpha_y \cos^4 \theta_m \left( 1 + \tan^2 \theta_m \left( \frac{\cos^2 \phi_m}{\alpha_x^2} + \frac{\sin^2 \phi_m}{\alpha_y^2} \right) \right)^2}$
其中，

• $\omega_m$ 是微观法线方向
• $\theta_m$ 是微观法线 $\omega_m$ 与宏观法线 $\bold{n}$ 之间的仰角
• $\phi_m$ 是微观法线 $\omega_m$ 绕着宏观法线 $\bold{n}$ 旋转的方位角
• $\alpha_x$ 和 $\alpha_y$ 是分别控制两个切线方向（x 和 y）的粗糙度参数
  可以看出，$\alpha_x$ 和 $\alpha_y$ 这两个是属于材质的参数。

三种情况

1. $\alpha_u = \alpha_v = 0$ (完美光滑)

   • $1/\alpha_u$ 和 $1/\alpha_v$ 都是无限大。
   • 这意味着那个椭球体在 U 和 V 两个方向上被无限拉伸。
   • 一个被无限拉伸的球体是什么？就是一个无限平坦的平面。
   • 结果： 完美镜面反射。

2. $\alpha_u = \alpha_v$ (各向同性 / Isotropic)

   • U 方向的粗糙度和 V 方向的粗糙度相等。
   • 微观椭球体被均匀拉伸，变成了球形或“煎饼”形。
   • 结果： 这是一个均匀粗糙的表面，比如磨砂塑料。你绕着法线旋转它，高光不会变。这就是“方位角依赖性消失了”的意思。

3. $\alpha_u \neq \alpha_v$ (各向异性 / Anisotropic)

   • U 方向的粗糙度和 V 方向的粗糙度不相等。
   • 例如，$\alpha_u = 0.5$ 但 $\alpha_v = 0.1$。
   • 这意味着椭球体在 U 方向上“比较粗糙”（没怎么拉伸），但在 V 方向上“比较光滑”（被拉伸得很多）。
   • 结果： 这就是“雪茄”形，它在微观上形成了“凹槽”。这就是有方向的粗糙，比如拉丝金属或木纹

特性

GGX 模型正确地指出：即使在粗糙的表面上，也存在着大量非常倾斜（$\theta_m$ 很大）的微观法线

核心的高光（来自 $\theta_m$ 较小的法线）依然明亮且集中

“长尾”（来自 $\theta_m$ 很大的法线）捕捉到的光，会向四周散射，形成一个非常宽广、非常柔和的“朦胧光晕”

遮蔽项 The Masking Function $G_1(\omega, \omega_m)$

仅有 D 项的话是做不到能量守恒的 BSDF 的。因为从一个特定角度看的时候，不是所有的法线面向这个角度的微平面的面积都会被看到，我们必须避免非物理的能量引入。

我们定义 $G_1(\omega, \omega_m)$，它是一个可见度百分比（一个 0 到 1 之间的折扣因子）
对于所有朝向 $\omega_m$ 的微观法线，当我们从 $\omega$ 方向（可能是观察者方向 $\omega_o$，也可能是光源方向 $\omega_i$）去看它们时，有多少百分比 (fraction) 是没有被挡住的？

$D$ 无法确定 $G_1$ 因为我们无法知道$D$ 给出的法线分布是如何排列的，比如情况 A： 所有的 60° 陡坡都聚集在一起，形成了一面巨大的悬崖。这会投下巨大的阴影。（$G_1$ 会很小）。情况 B： 所有的 60° 陡坡都均匀地、零散地分布在平地中。这只会投下很小的阴影。（$G_1$ 会比较大）

为了便于计算，我们假设是情况B，也就是Smith近似。

$G_1 = 1$ 意味着百分百可见，而$G_1 = 0$意味着0% 可见

从观察者或光源的角度看，表面上的一个微分区域 $dA$ 所呈现的投影面积 (projected area) 为 $dA \cos \theta$，其中 $\theta$ 是该（观察/入射）方向与表面法线 $\bold{n}$ 之间的夹角。

（所有）可见微观表面（图中的粗线）的投影表面积加起来，也必须等于 $dA \cos \theta$。遮蔽函数 $G_1$ 给出的就是 $dA$ 上方总微观表面面积中，在给定方向上可见的比例

数学推导

$\int_{H^2(\bold{n})} D(\omega_m) G_1(\omega, \omega_m) \max(0, \omega \cdot \omega_m) d\omega_m = \omega \cdot \bold{n} = \cos \theta$

• $\int_{H^2(\bold{n})} \dots d\omega_m$ 检查所有（$\int$）可能的倾斜方向（$d\omega_m$）

• $D(\omega_m)$ 朝向 $\omega_m$ 这个方向的微表面占比是多少

• $\omega$ 表示想用来测试这个表面的方向

• $G_1(\omega, \omega_m)$ 在所有法线朝向 $\omega_m$ 的微表面中，当我们从方向 $\omega$（比如相机方向）看过去时，有多少比例 (fraction) 是没有被其他微表面挡住的

• $\max(0, \omega \cdot \omega_m)$ 既负责剔除也负责投影

  • 剔除 (Culling)： $\omega \cdot \omega_m$ 是观察方向 $\omega$ 和微观法线 $\omega_m$ 的点积。如果这个值小于 0（即 $\omega_m$ 背向 $\omega$），$\max(0, \dots)$ 会强制将它变为 0，因为它无论如何都不可见
  • 投影 (Projection)： 如果这个值大于 0（$\omega_m$ 面向 $\omega$），这个点积（即 $\cos \theta_{\omega, \omega_m}$）本身就是一个投影因子。它计算的是这个微观表面 $\omega_m$ 在垂直于 $\omega$ 方向的平面上的“剪影”面积

在上述的公式中，$G_1(\omega, \omega_m)$ 依赖于积分变量$\omega_m$， 而当我们做了 Smith 假设(高度和法线在统计上是独立的)之后，$G_1$ 将不再依赖于它自己的围观法线，其将只依赖于观察方向$\omega$和表面的整体粗糙度。也就是

$$
G_1(\omega, \omega_m) \approx G_1(\omega)
$$

从而，我们得到：

$$
\int_{H^2(\bold{n})} D(\omega_m) G_1(\omega) \max(0, \omega \cdot \omega_m) d\omega_m = \cos \theta
$$

也就是

$$
G_1(\omega) = \frac{\cos \theta}{\int_{H^2(\bold{n})} D(\omega_m) \max(0, \omega \cdot \omega_m) d\omega_m}
$$

虽然上式有解析解，但是为了简便，我们引入坡度域的辅助函数：

$$
G_1(\omega) = \frac{1}{1 + \Lambda(\omega)}
$$

$\Lambda$ 函数（我们之前用它来算 $G_1$）本身就代表了从一个方向看的“不可见”程度

$$
\Lambda(\omega) = \frac{\sqrt{1 + \alpha^2 \tan^2 \theta} - 1}{2}
$$

其中

$$
\alpha = \sqrt{\alpha_x^2 \cos^2 \phi + \alpha_y^2 \sin^2 \phi}
$$

The Masking-Shadowing Function $G$

BSDF 是一个有两个方向参数（$\omega_i$ 和 $\omega_o$）的函数，并且每个方向都受到表面微观结构引起的遮挡效应的影响。
对于观察方向 ($\omega_o$) 和光照方向 ($\omega_i$)，这些（遮挡效应）分别被称为遮蔽 (masking) 和阴影 (shadowing)

为了同时处理这两种情况，（单个方向的）遮蔽函数 $G_1$ 必须被推广为一个遮蔽-阴影函数 (masking-shadowing function) $G_2$，它（$G_2$）给出的是（某个）微分区域中，同时 (simultaneously) 从 $\omega_i$ 和 $\omega_o$ 两个方向都可见的微表面的比例 (fraction)

如果我们假设遮蔽 (masking) 和阴影 (shadowing) 是统计上独立的 (statistically independent) 事件，那么这两个概率就可以简单地相乘：

$$
G_2(\omega_i, \omega_o) = G_1(\omega_i) G_1(\omega_o)
$$

这种假设将会刚高估阴影和遮蔽的实际数量，会导致在最终渲染的图片上出现暗区。因为这两个事件其实在统计学上并不是独立的，而是相关的。一个微表面要么倾向于对“两边”都可见，要么倾向于对“两边”都不可见。 它高估了“一个可见的表面又恰好被另一个挡住”的概率。它错误地把两个 80% 乘在了一起（得到了 64%），而真实的“同时可见”比例（$G_2$）可能要高得多（比如 75%）

为了修复这个问题，我们引入新公式

$$
G_2 = \frac{1}{1 + \Lambda(\omega_i) + \Lambda(\omega_o)}
$$

• 它不再是“概率相乘”（$G_1 \times G_1$）
• 它变成了“不可见量相加”

采样

现在我们考虑当一条光线从 $\omega_i$ 方向射入一个粗糙表面时，它接下来应该‘弹’向哪个随机的方向 $\omega_o$

• 光线会“弹”向哪里，取决于它击中了哪一个微观法线 $\omega_m$

• 它不能用一个“公平的”骰子（比如在所有方向上均匀抽样），因为我们知道，击中某些 $\omega_m$（比如那些正对着它的）的概率要高得多

一条光线与某个特定微表面相互作用的概率，是与它的可见面积 (visible area) 成正比的。换句话说，一束光（或视线）击中某个微表面的概率，正比于那个微表面向它呈现的可见投影面积

原公式（确保所有“可见”微表面投影的总面积是 $\cos \theta$ * $dA$）

$$
\int_{H^2(\bold{n})} D(\omega_m) G_1(\omega) \max(0, \omega \cdot \omega_m) d\omega_m = \cos \theta
$$

这是所有法线朝向 $\omega_m$（附近 $d\omega_m$ 范围内）的可见微表面，它们所贡献的投影面积总和：

$$
D(\omega_m) G_1(\omega) \max(0, \omega \cdot \omega_m) d\omega_m
$$

当一束光（或我们的视线）从方向 $\omega$ 射向这块表面时，它击中一个法线朝向为 $\omega_m$ 的微表面的（法线空间）概率是多少？:

$$
D_\omega(\omega_m) = \frac{G_1(\omega) D(\omega_m) \max(0, \omega \cdot \omega_m)}{\cos \theta} \quad
$$

$$
D_\omega(\omega_m) = \frac{\text{朝向 }\omega_m\text{ 的可见投影面积}}{\text{所有可见投影面积的总和}}
$$

也就是我们给$D$一个向量，其会返回 $\omega_m$ 被击中的概率是 $X$

而Sample() (采样算法)是“骰子”

• 作用这是一个生成函数。
• 输入： 它通常只需要 1 或 2 个 0 到 1 之间的随机数（比如 rand(), rand()）。
• 输出： 它“吐出”一个全新的、随机的向量 $\omega_m$（“这是我帮你‘摇’出来的方向！”）。

那么如果说完全随机地去得到方向，最后调用$D_{\omega}(\omega_m)$来事后告诉我们这个随机 $\omega_m$ 的概率是 $0.0001%$，这个渲染器是可以工作的，但是十分低效。

我们需要重要性采样，我们在得到方向地时候，这个随机方向的产生器就要产生更多的高概率方向，而较少地产生低概率方向。

那么如何制作这样的采样器呢？有数学上的方法，但是有一个相对简单的几何途径可以做到。

几何方法（可见法线采样）

1. 在代码中，假想一个由粗糙度 $\alpha_x, \alpha_y$ 定义的标准GGX椭球体
2. 计算这个“椭球体”从方向 $\omega$ 看过去的2D剪影 (2D silhouette)
3. 在这个2D剪影上，均匀地 (uniformly) 随机选择一个 2D 点 $(u, v)$
4. 从这个 2D 点 $(u, v)$，沿着 $\omega$ 方向“逆向”投射回3D椭球体上，找到那个唯一的撞击点 $p$
5. 获取这个 3D 撞击点 $p$ 在椭球体上的表面法线 $\omega_m$

• 这个方法已经处理了遮蔽

微观“凸起”的 2D 剪影的形状，会根据你的“观察角度 $\omega$”而改变。这个算法必须精确地模拟这个改变

The Torrance–Sparrow Model

1. 给定一个来自方向 $\omega$ 的观察光线，我们使用‘可见法线采样’（“骰子”），从**可见法线分布$D_\omega(\omega_m)$（“裁判”）所定义的概率中，生成 (sample) 一个微观法线 $\omega_m$**。并且，我们同时会使用$D_\omega(\omega_m)$ 这个公式，来计算出我们刚刚生成的那个 $\omega_m$ 所对应的概率密度值（一个数字/Float）

   • 这一步（在概念上）封装了“观察光线”与“随机的微观结构”求交 (intersecting) 的过程
   • 注意，这一步产生的$\omega_m$可能会相对于原宏观$\bold{n}$偏离很大，从而导致从一些角度射进来的光线，会被反射到V型谷的深处，而非去向摄像机，然后也许会经历多次反弹，最终射向摄像机。但是，Smith’s GGX的数学模型没有包括这种情形，导致了能量损失，其较为粗略地将这样的光线终止。当材质非常粗糙的时候，这种情况将会很常见。有一些研究进行了对这种情况的不同程度的修补。如 Fast-MSX: Fast Multiple Scattering ApproximationFast-MSX

2. （光线）在被采样的微表面上的反射，是使用镜面反射定律 (law of specular reflection) 和菲涅尔方程 (Fresnel equations) 来建模的

   • 这会（反向）推导出一个入射方向 $\omega_i$，以及一个反射系数 (reflection coefficient)，该系数会衰减 (attenuates) 这条路径所携带的光

3. 最终，散射的光会（再）乘以一个 $G_1(\omega_i)$，以计入其他微表面所造成的阴影效应

在渲染器中，我们有来自上一次光的交互带来的$\omega_o$，我们要算出$\omega_i$ 以及其对应的概率密度，并完成采样。

想象一个法线 $\omega_m$。向量 $\omega_o$ 和 $\omega_i$ 在 $\omega_m$ 的两侧对称
注意：在 PBRT 的约定中，所有向量 $\omega_i, \omega_o, \omega_m$ 都指向外

根据镜面反射关系，有：
$\omega_i = -\omega_o + 2(\omega_m \cdot \omega_o) \omega_m$

$\omega_m = \frac{\omega_i + \omega_o}{|\omega_i + \omega_o|}$

我们固定出射方向 $\omega_o$，并可视化一组微表面（用蓝色阴影表示），这些微表面能将来自入射方向（用绿色阴影表示）周围的一个弧/锥的光线有效反射出去

• 在 (a) 所示的二维平面 (flatland) 设置中，这组有效的微表面 (admissible microfacets) 只是一个更小的弧。3D 情况则更复杂，涉及到球面圆锥截面 (spherical conic sections)。
• 在 (b) 中，当 $\omega_i$ 锥体的中心与 $\omega_o$ 对齐时，有效的微表面形成一个球面圆形 (spherical circle)。
• 在 (c) 中，当 $\omega_o$ 与 $\omega_i$ 锥体中心方向之间呈 $45^{\circ}$ 角时，有效的微表面形成一个球面椭圆 (spherical ellipse)
• 在 (d) 中，当角度为 $90^{\circ}$ 时，结果则是一个球面双曲线 (spherical hyperbola)

我们想要知道最终选出的$\omega_i$的概率密度是多少，而非$\omega_m$,他们的关系是：

$p(\omega_i) d\omega_i = p(\omega_m) d\omega_m$
$p(\omega_i) = p(\omega_m) \times \frac{d\omega_m}{d\omega_i}$

我们先关注 $\frac{d\omega_m}{d\omega_i}$，其表示在 $\omega_m$ 空间中一个无限小的立体角 $d\omega_m$”，除以“在 $\omega_i$ 空间中对应的那个无限小的立体角 $d\omega_i$。

而又有，在球面坐标中，微分立体角 $d\omega = \sin\theta d\theta d\phi$

$$
\frac{d\omega_m}{d\omega_i} = \frac{\sin \theta_m d\theta_m d\phi_m}{\sin \theta_i d\theta_i d\phi_i}
$$

$$
\begin{aligned}
\frac{d\omega_m}{d\omega_i} &= \frac{\sin \theta_m d\theta_m d\phi_m}{\sin (2\theta_m) (2 d\theta_m) (d\phi_m)} \
&= \frac{\sin \theta_m}{ (2 \sin \theta_m \cos \theta_m) \cdot 2} \
&= \frac{1}{4 \cos \theta_m} \
&= \frac{1}{4(\omega_i \cdot \omega_m)} = \frac{1}{4(\omega_o \cdot \omega_m)}
\end{aligned} \quad
$$

也就是

$$
p(\omega_i) = D_\omega(\omega_m) \times \frac{1}{4(\omega_o \cdot \omega_m)}
$$

BSDF

evaluate 公式的推导：

回顾一下渲染方程：
$L_o(\text{p}, \omega_o) = \int_{H^2(\mathbf{n})} f_r(\text{p}, \omega_o, \omega_i) L_i(\text{p}, \omega_i) |\cos \theta_i| d\omega_i$
单样本蒙特卡洛估计器：

$$
\approx \frac{f_r(\text{p}, \omega_o, \omega_i) L_i(\text{p}, \omega_i) |\cos \theta_i|}{p(\omega_i)}
$$

结合在一起，有

$$
\begin{aligned}
L_o(\text{p}, \omega_o) &= \int_{H^2(\mathbf{n})} f_r(\text{p}, \omega_o, \omega_i) L_i(\text{p}, \omega_i) |\cos \theta_i| d\omega_i \
&\approx \frac{f_r(\text{p}, \omega_o, \omega_i) L_i(\text{p}, \omega_i) |\cos \theta_i|}{p(\omega_i)}
\end{aligned}
$$

Torrance–Sparrow 模型给出的单光线的辐射亮度，应该和蒙特卡洛估计相一致：

$$
\frac{f_r(\text{p}, \omega_o, \omega_i) L_i(\text{p}, \omega_i) |\cos \theta_i|}{p(\omega_i)} \stackrel{!}{=} F(\omega_o \cdot \omega_m \text{(反射角度)}) G_1(\omega_i) L_i(\text{p}, \omega_i)
$$

把两边的 $L_i$ 消掉，有

$$
\frac{f_r \cdot |\cos \theta_i|}{p(\omega_i)} = F(\omega_o \cdot \omega_m) G_1(\omega_i)
$$

移项，有

$$
f_r = \frac{F \cdot G_1(\omega_i) \cdot p(\omega_i)}{|\cos \theta_i|}
$$

代入 $p(\omega_i)$，有

$$
p(\omega_i) = p(\omega_m) \times \frac{d\omega_m}{d\omega_i}
$$

而$p(\omega_m)$是：

$$
p(\omega_m) = D_\omega(\omega_m) = \frac{G_1(\omega_o) D(\omega_m) (\omega_o \cdot \omega_m)}{(\mathbf{n} \cdot \omega_o)}
$$

$\frac{d\omega_m}{d\omega_i}$ 是：
$\frac{d\omega_m}{d\omega_i} = \frac{1}{4 (\omega_o \cdot \omega_m)}$
则有：

$$
p(\omega_i) = \frac{G_1(\omega_o) D(\omega_m)}{4 (\mathbf{n} \cdot \omega_o)}
$$

则有：

$$
f_r = \frac{F(\omega_o \cdot \omega_m) \cdot G_1(\omega_i) \cdot p(\omega_i)}{(\mathbf{n} \cdot \omega_i)}
$$

则有：

$$
f_r = \frac{F(\omega_o \cdot \omega_m) \cdot G_1(\omega_i) \cdot \left[ \frac{G_1(\omega_o) D(\omega_m)}{4 (\mathbf{n} \cdot \omega_o)} \right]}{(\mathbf{n} \cdot \omega_i)}
$$

然而，这个 $G = G_1 \times G_1$ 的“非相关”几何项会导致渲染过暗。因此，在最终的实现中，我们将其替换为物理上更精确的“高度相关”模型 $G_2 = \frac{1}{1 + \Lambda(\omega_i) + \Lambda(\omega_o)}$