施工中……现在没有写的部分还有：
虽然没打算写，但有可能会加的部分有：
注：头图来自 GAMES 202 作业 1 任务指导书，文中部分插图来自互联网资料，引用源均在参考资料中列出。
阴影贴图是一种 2-pass 的实时阴影渲染技术。它在阴影 pass 中以光源视角绘制阴影贴图，再在着色 pass 中利用阴影贴图的信息计算直接光照，这个过程类似将阴影生成为贴图，并应用在阴影投射到的物体（receiver）上，故如此称呼。
原始论文：Casting curved shadows on curved surfaces，发布于 SIGGRAPH 1978，作者 Lance Williams (NYIT)。
判断一点是否处于阴影中，即是判断该点和光源的连线上是否存在遮挡物。这可以简单地描述为：从光源的视角能否看到遮挡物，或光源沿此方向看到物体的深度是否小于该点。要得到光源看向场景的深度信息，可以直接使用绘制场景相同的流程，而将绘制结果写入一张深度图（depth map）中即可。在计算直接光时，将该点坐标变换到光源视角中，查询深度图做比较来判断是否被遮挡。因此可以将这一过程分为两个 pass 来实现：
以上为基本流程，但更好的效果需要加入一些修改，详见讨论部分。
如果使用一张 2D 贴图来保存阴影信息，需要选择合适的参数。点光源应选择透视投影，而平行光源应选择正交投影，这关系到投射出阴影的形状是否正确。视锥体应该包含全部场景，远、近平面、视锥边界参数应该取得足够大，否则可能导致深度图查询越界。如果光源没有办法从一个方向看到整个场景，应该考虑生成多张不同角度的深度图，或使用 Cubemap、球形贴图等保存。
此处再整理一下流程中涉及的不同坐标系。在查询深度图时，需要将着色点的世界坐标变换到光源视角的 NDC 坐标下，这通过乘光源的视角变换和投影变换矩阵（V、P 矩阵）实现。NDC 坐标通常在 [-1, 1] 范围内（取决于 API 定义），因此还需要进一步标准化到 [0, 1] 范围，得到深度图上的纹理 UV 坐标。
深度图将标准化深度值保存在贴图像素上，每个像素的颜色值是固定位数的，因此能表示的精度也是有限的，这会为数值带来量化误差。此外，深度图代表遮挡物投影至平面上的结果，但遮挡物不一定与投影平面平行，深度图上的像素实际上代表了与投影平面平行的小面元，这也会带来离散化的误差。
这些误差使得查询深度图的结果可能比真实遮挡物深度偏大或偏小，偏大不会造成严重后果，但偏小可能让遮挡物本身以为自己被遮挡，在没有阴影的地方形成奇怪的暗色斑点、纹路（被称为 Shadow Acne）。可以在判断被遮挡时，在着色点深度加上一个正偏差补偿数值误差，使数值误差不影响遮挡判断结果。
这种误差补偿是有局限性的。当遮挡平面与光源视线成较小角度时，离散化误差将变大，很难补偿这种情况的误差。而阴影遮挡物和被遮挡物离的很近时，被遮挡物的深度又被偏差补偿到小于遮挡物，使得一些阴影没有和遮挡物连起来，看起来好像遮挡物浮空了一样（被称为 Peter Panning）。可以在生成深度图时使用背面剔除，这样可以解决有厚度遮挡物的问题。
由于深度图本身的尺寸有限，阴影投射后放大出现了锯齿状走样。这种走样和渲染中出现的锯齿现象原理类似，可以使用一些采样方法解决。一个方式是 PCF（百分比渐进滤波，Percentage Closer Filter）。着色点映射到深度图上后，不只查询一个像素，而是采样该像素附近一圈像素。采样的范围越大，阴影边缘的过渡部分越宽，锯齿现象越不明显，但阴影边界也会变模糊。
Shadow Mapping 能为实时阴影计算提供遮挡信息，从而方便地实现点光源、平行光源的阴影。然而，光源常常并非二者之一，而是有一定面积的面光源。在面光源下，阴影分为本影（umbra）和半影（penumbra），本影是光源面积完全被遮挡的位置，亮度最暗，而半影是本影周围光源面积部分被遮挡的位置，形成了最暗到最亮的过渡带。半影形成的过渡带使阴影的边缘模糊，形成软阴影（soft shadow）的效果。
PCSS 受到 PCF 滤波效果的启发，通过指定阴影不同位置 PCF 滤波范围大小，来实现类似真实软阴影的效果。这种方法完全基于 Shadow Mapping 的结果，没有额外的前、后处理，也不需要更多信息。
原始论文：Percentage-Closer Soft Shadows，发布于 SIGGRAPH 2005，作者 Randima Fernando (Nvidia)。
PCSS 通过控制 PCF 滤波范围大小来实现阴影不同程度的软化，因此需要确定着色点处需要选择的 PCF 滤波范围大小，这个大小与光源、遮挡物和被阴影投射物之间的集合关系决定。
上图所示的场景中，假设光源、遮挡物和投射物平面是平行关系。黄色的线段表示有面积的光源，其宽度为 $w_\text{Light}$，光源被遮挡物（绿色线段）左侧遮挡，其阴影投射在下方的投射物（蓝色线段上），遮挡物到光源距离 $d_\text{Blocker}$，投射物到光源距离 $d_\text{Receiver}$。从光源两端点经遮挡点向投射物连线（黄色虚线），投射物两连线的右方表示两点分别无法照亮的位置，即本影，宽度为 $B$；而两连线之间的部分表示光源被部分遮挡，即半影，宽度为 $w_\text{Penumbra}$。这样就建立了阴影和场景的几何关系。注意到存在一系列相似三角形关系，存在比例
$$ \dfrac{d_\text{Blocker}}{d_\text{Receiver}-d_\text{Blocker}} = \dfrac{w_\text{Light}}{w_\text{Penumbra}} $$
故半影宽度可以由
$$ w_\text{Penumbra} = \dfrac{d_\text{Receiver}-d_\text{Blocker}}{d_\text{Blocker}} \cdot w_\text{Light} $$
求得。另外，此处的两个 $d$ 值可以不是图中的垂线段长度，满足相似三角形的比例关系皆可。
经过上面的讨论，半影宽度与光源大小、遮挡物深度和着色点深度有关，后两个量可以分别从深度图与世界坐标得到，光源大小通常是预定义好的。PCSS 的工作过程可以描述为下面三步：
PCSS 是一种基于 PCF 的很直接的思路，实现的难度也不高。然而由于遮挡物搜索和 PCF 两步中包含两次采样估计过程，PCSS 的效果通常包含许多噪声，需要提高采样数或应用低通滤波等方式改善渲染质量。此外，多次采样会带来大量的贴图查询，带来时间和带宽上的额外开销，效率上依然存在问题。随着时域、空域滤波的技术发展，现在有 TAA 等更好的方法改善 PCSS 的噪声和效率，因此 PCSS 仍然是一种广泛使用的方法。
PCSS 中需要范围查询深度图中的信息来完成遮挡物搜索和 PCF，而范围查询需要通过采样来完成，这会为渲染结果带来采样造成的随机噪声。为了避免这种噪声，有许多方法通过非采样的方法来估计遮挡物的深度。VSSM 是一种利用统计规律来估计遮挡物深度的方法，它基于 Chevbyshev 不等式和方差阴影贴图（VSM，Variance Shadow Mapping）方法，通过使用预计算的信息来避免采样。
原始论文：Variance Soft Shadow Mapping，发布于 PG 2010，作者杨宝光（Autodesk、浙江大学）。
在 PCSS 中，遮挡物的平均深度通过对深度图的采样获得。从这个思路出发，设采样数为 $N$，其中有 $N_1$ 个样本为非遮挡物（深度不小于着色点）、$N_2$ 个样本为遮挡物（深度小于着色点）。记遮挡物的平均深度为 $z_\text{occ}$，非遮挡物的平均深度为 $z_\text{unocc}$，所有样本的平均深度为 $z_\text{Avg}$，则根据平均值的定义可得下面的关系
$$ \dfrac{N_1}{N} z_\text{unocc} + \dfrac{N_2}{N} z_\text{occ} = z_\text{Avg} $$
采样的频率会收敛到概率，故可以用概率来估计样本的频率，此外所有样本的平均深度也可近似为真实的平均深度，则记着色点深度为 $t$，采样的随机变量取值为 $x$，上式可化为
$$ P(x \ge t) z_\text{unocc} + [1 – P(x \ge t)] z_\text{occ} = z_\text{Avg} $$
那么遮挡物的平均深度便可通过下式求出
$$ z_\text{occ} = \dfrac{z_\text{Avg} – P(x \ge t) z_\text{unocc}}{1 – P(x \ge t)} $$
有了这个关系，还需要知道非遮挡物的平均深度 $z_\text{unocc}$，以及实际意义为深度图查询范围中不小于采样点深度的像素占比 $P(x \ge t)$。
对于非遮挡物的深度，一般来说着色点附近的非遮挡物是着色点所在的平面，因此可以近似为着色点的深度 $t$。而遮挡物的占比则可以借助 VSM 的思路解决，对深度图查询范围进行采样，其对应的随机变量应是范围内像素构成的离散型随机变量，对随机变量成立单边 Chevbyshev 不等式如下（证明见附录）
$$ P(x \ge t) \le \frac{\sigma^2}{\sigma^2+(t-\mu)^2}, \forall t > \mu $$
一个会让上式的不等号取等的情况是查询范围内的深度值都一样，而实际情况中深度值常常相差不大，使用上界值估计实际情况不会有很大误差，此处取该上界的值作为 $P(x \ge t)$ 的估计。要计算这个上界，需要得到查询范围内深度的平均值 $\mu$ 和方差 $\sigma^2$，平均值可以通过 Mipmap 或 SAT 等方式得到，而方差可以通过关系 $\sigma^2 = E(x^2) – \mu^2$ 得到，因此只需要另外计算一张深度平方的深度图和它的 Mipmap/SAT 即可。
上面的理论推导得到了重要的结论，即仅需要保存深度图、深度平方图和它们的 Mipmap/SAT，就可以通过单边 Chevbyshev 不等式的上界估计平均遮挡物深度，避免了 PCSS 中遮挡物搜索的采样操作。而 PCSS 中 PCF 滤波的采样操作，则可以通过对估计出的滤波范围大小再次进行非遮挡物占比（即 $P(x \ge t)$）的估计，将其作为可见性的值，同样也可以实现无采样的滤波效果。故 VSSM 的整体流程为
VSSM 利用了单边 Chevbyshev 不等式作为平均遮挡物深度 $z_\text{occ}$ 的估计，然而不等式需要满足单边条件 $t > \mu = z_\text{Avg}$，通常在着色点附近是平面时这个条件能够被满足。当着色点附近的点和着色点不在一个平面上，尤其是远离光源方向时，实际的 $z_\text{Avg}$ 可能比着色点深度 $t$ 更大，此时使用原来的估计会使 $P(x \ge t)$ 的值小，从而使 $z_\text{occ}$ 的估计可能大于 $t$，一些本应在阴影中的像素被判断成不在阴影中，如下图所示。
引起问题的原因是着色点附近不是平面，如果把查询范围划分成更小的格子，小格子中的几何会更接近平面，更可能满足不等式的条件。对于划分后仍然不满足条件的小格子，可以简单认为不被遮挡，或使用常规采样方法进行 PCF。
划分后，每个满足不等式条件格子 $w_{cj}$ 的 $E(x)$ 和 $E(x^2)$ 可以通过 SAT/Mipmap 直接查出，记格子的大小为 $T_{cj}$，则可以通过每个格子的信息合并得整体的 $\mu, \sigma^2$，如下所示
$$ \begin{aligned} \mu &= \dfrac{\sum_j E(x)_{cj} T_{cj}}{\sum_j T_{cj}}, \\ \sigma^2 &= \dfrac{\sum_j E(x^2)_{cj} T_{cj}}{\sum_j T_{cj}} – \mu^2 \end{aligned} $$
满足条件格子的平均遮挡物深度 $d_1$ 可以通过 $\mu, \sigma^2$ 和不等式估计得到。而不满足条件的格子则使用上文提到的采样方法，得到其平均遮挡物深度 $d_2$。根据两类格子占比对 $d_1, d_2$ 加权得到最终的平均遮挡物深度 $d$，这样一来就解决了非平面的问题。
此外，方差 $\sigma^2$ 具有的统计意义可以反映随机变量分布的集中特性，如果方差很小且 $z_\text{Avg}$ 大于着色点深度 $t$，说明着色点附近基本都是更深的点，此时可以直接认为着色点未被遮挡以减少计算。
参考资料：https://zhuanlan.zhihu.com/p/111329527
设 $X$ 是取非负值的随机变量，则对于任何常数 $a>0$，有
$$ P(X \ge a) \le \frac{E(X)}{a} $$
证明 对于 $a>0$ 令随机变量 $I = \begin{cases} 1, & X \le a \\ 0, & X < a \end{cases}$，由于 $X>0$ 有 $I \le \dfrac{X}{a}$，两边求期望得 $E(I) = P(X \ge a) \le \dfrac{E(X)}{a}$。
设 $X$ 具有 0 均值和有限方差 $\sigma^2$，则对任意 $a>0$ 有
$$ P(X \ge a) \le \frac{\sigma^2}{\sigma^2+a^2} $$
证明 引入常数 $b>0$，则有 $X \ge a \Rightarrow X+b \ge a+b \Rightarrow (X+b)^2 \ge (a+b)^2$，因此有
$$ P(X \ge a) = P(X+b \ge a+b) \le P[(X+b)^2 \ge (a+b)^2] $$
由 Markov 不等式可进一步推得
$$ P(X \ge a) \ge P[(X+b)^2 \ge (a+b)^2] \le \frac{E[(X+b)^2]}{(a+b)^2} = \frac{\sigma^2+b^2}{(a+b)^2} $$
既然上式对任意常数 $b>0$ 都成立，取右式关于 $b$ 的极小值时 $b = \dfrac{\sigma^2}{a}$，得到
$$ P(X \ge a) \le \frac{\sigma^2}{\sigma^2+a^2} $$
推论 设 $X$ 均值为 $\mu$，则上述结论式可变为对任意 $a>\mu$ 有
$$ P(X \ge a) \le \frac{\sigma^2}{\sigma^2+(a-\mu)^2} $$
取等条件 其中一个充分条件为 $P(X=0)=1$。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。