GCL学术成果：SIGGRAPH 2025-基于高斯拟合的预计算间接光压缩

5月 23, 2025 1 分钟阅读时长

【论文标题】Gaussian Compression for Precomputed Indirect Illumination

【作者】周轾1，李超2，张震元2，唐铭聪2，李子镔2，栾书航2，黄章进1

【单位】中国科学技术大学1，腾讯游戏前沿技术2

背景与问题

近年来，实时渲染技术的进步显著缩小了电子游戏与影视制作之间的视觉差距。诸如Lumen、Nanite、实时路径追踪以及AI降噪等新技术已能实现令人惊叹的视觉效果。然而，这些技术需要强大的硬件支持。在计算能力受限的设备上，要实现理想的全局光照（GI）效果，仍需依赖一系列预计算技术（如光照贴图和光照探针）预先烘焙场景光照。而随着场景规模持续扩大，对应的预计算数据量也随之增长，对设备存储与内存提出了更高要求，如何对这些预计算数据进行压缩以减轻存储压力成为亟待解决的重要问题。

针对这一问题，尽管纹理压缩领域已有大量研究，如传统的块压缩方案或新近提出的神经纹理压缩，但针对光场三维空间分布表征的光照探针压缩方法仍相对匮乏。其核心难点在于探针通常不规则地分布于场景表面，且排列方式与三维纹理不具备对应性，导致传统纹理压缩技术难以直接适用。在这一背景下，我们提出一种基于高斯拟合的自适应压缩方法，用于对空间中的高维信号进行高效的压缩与实时解压。

图1. 本文的压缩对象，即在场景表面密布的光照探针，这些探针以球谐系数的形式存储场景的间接光照信息。

解决方案

我们提出了一种基于高斯拟合的自适应压缩方法。该方法利用自由分布的高斯函数来拟合场景中的探针信息。通过梯度下降法更新高斯函数参数，可自动拟合到最适合当前场景的分布方式。对于待压缩的单个探针，我们计算所有影响该探针的高斯函数加权和作为其隐式特征的预测值，再通过轻量级多层感知机（MLP）解码获得解压后的高维光照数据。整个优化过程采用端到端方式，使得我们仅需存储网络模型和经过量化处理的稀疏高斯参数，而无需保存每个探针的高维光照信息，从而显著降低了存储空间需求。此外，为加速整体压缩流程，我们基于CUDA实现了定制化的高斯函数前向推理与反向传播过程，可在短时间内获得理想压缩结果。

在降低光照探针存储空间需求的同时，我们还致力于减少其运行时内存占用。为实现基于预计算光照探针的逐像素着色，通常需要构建填充光照信息的三维纹理以供实时插值，例如虚幻引擎中的体积光照贴图（VLM）或Unity引擎中的自适应探针体积（APV）。然而这些方法需在空间中布置密集的三维纹理，并将每个纹素视为光照探针。这种密集分布不仅增加了预计算成本，还会消耗大量内存。针对该问题，我们提出级联光照体积（CLV）方法，能够将相对稀疏的探针数据插值至三维纹理，并仅针对当前视口周边区域计算精细的体积光照贴图，从而在着色质量与内存占用之间实现了良好平衡。更多细节与说明详见我们的论文。

图2. 本文的压缩方法框架。首先通过对探针进行聚类以进行高斯函数的初始化，再通过与MLP结合的端到端训练实现贴合探针分布的自适应更新。

实验结果

我们与一系列基于主成分分析（PCA）的传统方法进行了定性与定量对比。实验中，我们随机选取多个观测视点，采用不同方法压缩后的探针数据，并结合CLV算法进行渲染。将渲染结果与使用未压缩的探针数据生成的图像进行对比，计算峰值信噪比（PSNR）和结构相似性（SSIM）指标，以展示方法的有效性。更多实验结果详见我们的论文。

图3. 在测试场景中，与不同方法在同一压缩率(2%~3%)下的对比实验。左边一列为场景的完整渲染结果，其他结果为不使用纹理的渲染结果，以展示光照的区别。

技术贡献

在这项工作中，我们的贡献主要包括：

一种基于高斯函数的新型光场探针压缩方法，在压缩率，重建质量，压缩速度，解压速度方面均表现出卓越性能。
一种新型探针插值策略，在渲染质量与运行时内存消耗之间实现平衡。

论文发表

该工作已被计算机图形学顶会SIGGRAPH 2025 Conference Track录用接收。

论文原文

Zhi Zhou, Chao Li, Zhenyuan Zhang, Mingcong Tang, Zibin Li, Shuhang Luan, Zhangjin Huang. Gaussian Compression for Precomputed Indirect Illumination. Siggraph 2025, Conference Track.

学术成果