技术摘要：薄几何结构中的偶极扩散误差

问题陈述

计算机图形学中的次表面散射（SSS）主要使用偶极近似及其衍生模型（多极、量化扩散等）进行建模。这些模型假设径向反射率剖面 $R_d(r)$ 是针对平坦、半无限大平板推导出的。虽然对于厚且平面的表面非常有效，但当应用于薄或高度弯曲的物体（例如叶片边缘、宝石棱角）时，这种假设会引入系统性的几何误差。在这些几何结构中，光线会在扩散长度内遇到第二个边界，从而从物体中逃逸，而不是像偶极模型预测的那样被重新发射。这会导致“过度发光”伪影，使薄特征看起来比物理上应有的亮度更高。

现有的解决方案（如多极模型）解决了平面薄板问题，但无法处理通用的弯曲几何体。此外，通用的几何感知扩散估计器通常需要内部网格或网格，这在计算上非常昂ly，且难以集成到基于符号距离函数（SDF）的工作流中。本文旨在：

1. 将偶极模型的几何误差表征为光学厚度的标量函数。
2. 提供一种无需网格、几何精确的扩散估计器，直接作用于 SDF 而无需内部离散化。
3. 论证该估计器在渲染、误差预测和逆问题中的实用性。

方法论

1. 板层误差的理论分析

作者通过将标准偶极（半无限大平板）与在相同扩散常数和边界条件下进行比较的多极（有限平板）进行对比，分离出了几何误差。

• 光学厚度定律： 他们推导出漫反射反照率的相对误差随光学厚度 $\tau = T/\ell_d$ 指数级衰减（其中 $T$ 是物理厚度，$\ell_d$ 是扩散长度）。
• 闭式解速率： 领先误差项为 $C e^{-2\tau}$，其中速率 $2$对应于光线穿过平板的一次“往返”，且前置因子$C$ 取决于材料。
• 透射率： 薄板损失的光线（偶极模型未能考虑的部分）会从背面透射。该透射率以单次通过速率 $e^{-\tau}$ 衰减。
• 泛化： 对于空间变化的介质，作者利用光学距离（Agmon 距离）的概念将其进行了扩展，$\tau^*(x)$ 代表到达远端边界的最短代价路径。这使上述平板定律能够推广到非均匀介质。

2. 无网格几何精确估计器

为了在不进行网格化的前提下评估任意形状上的扩散方程，作者采用球面行走法 (Walk on Spheres, WoS) 来求解屏蔽泊松方程：
$$\nabla^2 \phi - c \phi = -f$$

• SDF 表示： 物体仅由符号距离函数定义。WoS 算法在拟合于域内的最大球体内采样，利用距离场来确定球体半径和边界接近度。
• 无半空间假设： 与假设局部切平面半空间的偶极不同，Wo索（WoS）行走遵循真实的几何结构，包括背面对面和紧密曲率。
• 单次散射： 由于扩散模型仅处理多次散射，作者添加了一个单独的、基于 Henyey-Greenstein 相函数推导出的闭式单次散射项。该项通过短程光线步进（ray-march）计算，以捕捉尖锐的近场峰值。
• 实现： 该求解器使用纯浮点 Metal (GPU) 实现，并配有 CPU 参考实现，支持均匀和空间变化介质（通过空散射行走）。

3. 误差预测与混合渲染

利用形状直径函数（局部厚度）除以 $\ell_d$ 得到了一个实用的预测器。

• 修正： 该预测器估计反照率损失，并对标准偶极应用一个修正因子 $\kappa(\tau)$。
• 混合调度： 预测器用于识别偶极误差显著的像素（例如，背光下的薄区域）。这些像素使用昂贵的无网格 WoS 估计器进行渲染，而其余像素则使用修正后的偶极模型。

4. 逆问题（扩散光学断层扫描）

由于前向求解器是可微的，作者展示了一个无网格逆问题：从扩散边界测量中恢复隐藏吸收体的位置和对比度。

核心贡献

1. 板层定律与厚度预测器：

   • 证明了在平面情况下，偶极的反照率误差遵循与材料无关的指数速率 $e^{-2\tau}$。
   • 提供了一个闭式修正项 $\kappa(\tau)$，显著降低了薄特征的反照率误差。
   • 使用暴力体积路径追踪验证了该速率（1.99 对比预测的 2.0）。

2. 几何精确无网格估计器：

   • 实现了一个用于 SDF 上屏蔽泊松方程的 WoS 求解器，无需内部网格。
   • 相对于闭式板层解实现了 0.75% 的误差，并且与路径追踪参考值相比，比偶极模型显著降低了误差。
   • 成功处理空间变化介质和复杂的边界条件。

3. 全面验证：

   • 在四种情况（背光、前光、侧光透镜和圆环体）下与路径追踪参考进行对比。
   • 研究发现，虽然无网格估计器改善了受厚度控制的背光情况，但在单次散射或角传输占主导地位的前光或高曲率场景中，它并不总是优于偶极模型。

4. 可微逆求解器：

   • 通过可微前向映射，成功实现了对隐藏高斯包含体的高精度恢复（中心位置误差在物体半径的 5.4% 以内）。

结果

• 准确性： 无网格估计器与闭式板层解的匹配度为 0.75%，并能精确复现多极解。在背光透镜场景下，相对于路径追踪参考，它将平均原始误差从 72% 降至 45%。
• 性能： 在 Apple M4 Pro 上，GPU 内核维持了 4.1 $\times$ 10$^8$ 次球体行走每秒。
• 混合效率： 混合方法（仅对标记的背光像素使用无网格求解器）实现了最低的平均色调映射误差 (0.132)，优于纯偶极 (0.180) 或纯无网格 (0.143)。
• 识别的局限性：
  • 曲率： 在一般几何体上，误差前置因子取决于平均曲率 ($\ell_d H$)，而非仅取决于厚度。厚度本身对误差方差的解释仅为 38%；加入曲率后，该比例提升至 94%。
  • 模型误差： 与路径追踪对比时的剩余误差主要源于扩散近似本身（相对于辐射传输），而非求解器的几何误差，特别是在 $\tau < 0.4$ 时。
  • 成本： 高对比度的空间变化介质会增加蒙特卡洛噪声，且非精确 SDF（松散距离场）会显著增加行走步数 ($\alpha^{-2.1}$)。

意义与主张

本文声称量化并减轻了薄特征中偶极近似固有的特定几何误差。它并不声称取代辐射传输，也不旨在解决所有 SSS 挑战。

• 范围适中： 作者明确指出，该方法减少了扩散机制内的几何误差，但并不取代在单次散射占主导地位的极薄或光学稀薄物体中的传输过程。
• 实际效用： 导出的厚度预测器作为一种有用的启发式方法，可用于调度计算资源（混合渲染），或在无需完整路径追踪的情况下在生产管线中修正反照率。
• 基础洞察： 本研究确立了“偶极失效”并非随机伪影，而是受光学距离驱动的可预测函数，其本质是随机行走撞击第二个边界的概率。
• 逆向能力： 无网格求解器的可微性为无网格扩散光学断层扫描开辟了路径，这是基于剖面模型无法实现的。

论文总结道，虽然偶极模型因其高效性仍是标准，但其几何误差是系统性的，可以通过光学厚度进行修正；同时，无网格扩散求解器为实现几何精确的次表面渲染提供了一种可行的、无需网格的替代方案。