面向移动端实时光线追踪的边缘感知去噪框架：动态核优化与数据驱动权重预测

随着移动GPU硬件加速光线追踪的普及，1spp低采样率导致的蒙特卡洛噪声和时域伪影问题日益突出。本研究提出基于SVGF框架的边缘感知实时去噪架构，通过动态核调整机制（adaptive filtering kernel sizing）和基于查找表（LUT）的权重预测策略，在Qualcomm Snapdragon 768G平台上实现55 FPS/1spp的实时性能，帧率较移动优化版SVGF提升67.42%，功耗降低16.80%，为移动AR/VR应用提供高效解决方案。

　　

在移动设备上实现影院级画质的光线追踪效果，一直是图形学领域的"圣杯"。随着高通骁龙8 Gen3和联发科天玑9300等移动芯片开始支持硬件级光线追踪，这个梦想正逐渐照进现实。但残酷的物理定律给这场视觉盛宴设下了门槛——受限于移动设备的散热和功耗，光线追踪的采样率往往被限制在1spp（每像素单次采样），导致画面充斥着恼人的高频噪声和闪烁伪影，就像试图用老式收音机播放交响乐，再美妙的旋律也被杂音淹没。

传统解决方案如时空方差引导滤波（SVGF）虽在桌面端表现优异，但其固定大小的滤波核和逐像素方差计算对移动GPU而言如同"大炮打蚊子"——计算开销与硬件能力严重失衡。更棘手的是，现有移动端去噪方案如OPPO混合渲染引擎虽能降低功耗，却会损失15%以上的材质反射精度。如何在指甲盖大小的芯片上实现桌面级的去噪效果？这个看似不可能的任务，正是Haosen Fu团队在《Graphical Models》发表的研究要攻克的堡垒。

研究团队创新性地构建了"动态核+智能预测"双引擎架构。首先通过多通道（Albedo/Depth/Normal）Sobel边缘检测生成融合边缘图，结合运动矢量实现跨帧边缘密度复用；接着采用K-means对像素进行深度梯度聚类，将传统SVGF的浮点权重计算转化为轻量级MLP预测和LUT检索。这种"边缘感知核动态调整+数据驱动权重预测"的组合拳，既保留了SVGF的物理准确性，又规避了其计算瓶颈。

关键技术包括：（1）基于G-buffer多特征的自适应边缘检测，通过统计阈值实现噪声鲁棒性；（2）动态核分组策略将像素按边缘密度划分为9×9/17×17/33×33三组；（3）5D特征（法线球坐标θ/φ、对数深度、亮度）量化构建LUT；（4）运动补偿的时域边缘密度融合。实验采用NoiseBase数据集，在未参与训练的Bistro2和Kitchen场景测试泛化性。

边缘感知核尺寸自适应

通过归一化多通道梯度幅值（公式2）和自适应阈值（公式3）生成二值边缘掩膜，结合r×r窗口的边缘密度计算（公式5）动态分配滤波核。结果显示，该策略使高密度边缘区域（ρ≥0.5）的纹理保留率提升42%，而平坦区域采用33×33大核使计算效率提高2.3倍。

深度引导聚类与权重预测

以深度梯度幅值M^Depth和方向θ^Depth为特征进行K-means聚类，配合三层MLP（128-64-32神经元）预测权重。量化实验表明，16-bin的LUT配置在SSIM（0.792）和耗时（19.32ms）间达到最优平衡，8-bin方案虽提速6%但导致玻璃材质出现过度模糊（图8c）。

性能优化与移动部署

在骁龙768G平台的实测中，LUT检索仅耗0.64ms，整体管线耗时18.3ms（55 FPS）。相较传统SVGF，其卷积阶段通过核分组实现67%的冗余计算削减，而边缘密度复用使特征计算功耗降低29%。

这项研究标志着移动光线追踪去噪从"能用"到"好用"的关键跨越。其创新性体现在：（1）将传统SVGF的O(n²)复杂度转化为O(1)的LUT查询；（2）通过边缘密度实现"按需计算"的负载分配；（3）5.7GB全精度LUT经FP16压缩后仅占2.5GB内存。尽管在极端动态场景（图8b）和特殊材质处理上仍有改进空间，但这项工作为移动端实时路径追踪提供了切实可行的解决方案，让手机游戏和AR/VR应用首次具备媲美桌面级的物理渲染能力。正如研究者所言："这不是终点，而是移动图形学新时代的起点。"