在基于物理的离线渲染与实时光栅化混合管线中，透明物体如玻璃、水和晶体经常会在边缘或内部出现一块块顽固的黑斑。这些黑斑并不是材质本身的问题，而是光照积分估计误差在图像上的直观表现。要理解并消除它们，必须回到渲染方程本身，并重新审视我们是如何用有限数量的射线去近似无限积分的。
黑斑的底层成因：为何均匀采样会失败
渲染方程可以看作一个半球面上的积分，对于透明介质，出射光来自反射与折射两个分量，二者方向由斯涅尔定律与菲涅尔项共同决定。当光线击中玻璃表面时，绝大多数能量集中在折射方向附近的一个很小立体角内，尤其在全反射临界角之外，折射方向几乎唯一。如果我们在采样时采用均匀随机方向，那么射中这个高贡献立体角的射线概率极低。
蒙特卡洛方法用样本均值估计积分，其方差与采样分布和实际被积函数的不匹配程度成正比。均匀采样把射线撒向整个半球，只有极少数碰巧进入折射锥，其余射线贡献接近零。这种极端稀疏的有效样本导致局部期望估计严重偏低，在画面上就表现为暗色斑点。更糟的是，随着迭代增加，这些斑点不会平滑消失，而是以噪声形式残留，因为方差下降速度仅为根号级别。
另一个常被忽视的因素是多次折射中的路径截断。当光线进入物体后，内部反射再次射出时若仍用均匀采样，第二次折射方向同样难以命中，能量在估算中被系统性低估。这种累积偏差在薄物体上尤其明显，因为两次界面的高贡献方向都极窄，均匀采样几乎必然漏掉，最终像素值远远低于真实透射亮度。
重要性采样如何重塑射线分布
重要性采样的核心思想是根据被积函数形状构造概率密度函数，使抽样集中在函数值大的区域。对透明表面，我们可以依据菲涅尔反射率和折射几何直接生成方向：以对应折射或反射的精确方向为峰值，用一个窄核函数围绕它采样。这样每条射线都携带较高权重，估计方差急剧缩小。
具体实现时，先按菲涅尔项决定本射线走反射还是折射分支，再用推导出的半矢量分布抽取微表面法线，从而间接得到出射方向。相比于在半球均匀取两点再判断，这种方法把随机性用在刀刃上。下面是一段伪代码，展示如何替代原本的均匀采样：
// 旧：均匀半球采样，易产生黑斑
Vec3 sampleUniformHemisphere() {
float u1 = rand(), u2 = rand();
float r = sqrt(1.0f - u1*u1);
float phi = 2.0f * PI * u2;
return Vec3(r*cos(phi), r*sin(phi), u1);
}
// 新：依据折射方向的重要性采样
Vec3 sampleRefractImportant(Vec3 wo, float eta) {
float u1 = rand(), u2 = rand();
// 以精确折射方向为轴，窄圆锥内扰动
Vec3 refr = refract(wo, Vec3(0,0,1), eta);
float cosTheta = 1.0f - u1 * 0.05f; // 仅5%偏差锥
float sinTheta = sqrt(1.0f - cosTheta*cosTheta);
float phi = 2.0f * PI * u2;
Vec3 local = Vec3(sinTheta*cos(phi), sinTheta*sin(phi), cosTheta);
return rotateTo(refr, local);
}
上述代码将采样范围限制在与真实折射方向夹角很小的圆锥内，概率密度在该锥内近似均匀，锥外为零。计算光照贡献时除以对应密度即可无偏估计。实践表明，同样每像素64样本，重要性采样能把黑斑区域方差降到原来的数十分之一，视觉上黑斑基本消失。
需要注意，重要性采样并非万能。若折射率变化剧烈或物体为非线性曲面，固定窄锥可能漏掉次要但非零的散射路径。此时可结合多重重要性采样，把均匀分支与重要分支按功率启发式混合，既保底又提速。这种混合策略在复杂焦散场景中表现稳定，避免单一分布带来的新偏差。
蒙特卡洛方差控制与工程落地建议
即便引入重要性采样，蒙特卡洛渲染仍依赖大数定律收敛。工程中我们常通过渐进式多帧累积来平滑残留噪声。每一帧使用不同的随机种子，但保持相同的重要性分布，这样期望不变而方差随帧数线性下降。对于黑斑问题，前几帧可能仍有零星暗点，但十帧之后便不可见。
在实时管线如游戏引擎中，可以预计算透明材质的采样分布查找表，把窄锥参数按视角与法线存入纹理，着色时直接查表而非实时运算，从而把开销压到可接受范围。下表对比了三种策略在相同硬件下的表现：
| 策略 | 每像素样本 | 黑斑可见度 | 单帧耗时(ms) |
|---|---|---|---|
| 均匀采样 | 128 | 严重 | 3.1 |
| 重要性采样 | 64 | 轻微 | 2.4 |
| 重要性+查表 | 64 | 不可见 | 1.8 |
从数据看，重要性采样不仅消灭黑斑，还因样本利用率高而降低了总样本需求，反而更快。查表进一步释放了CPU端数学运算压力。落地时建议先在不透明物体边界做A/B测试，确认折射锥参数后再推广到全部透明资源。
最后要强调，蒙特卡洛本身只是框架，真正决定黑斑去留的是概率分布与设计者对光学行为的理解。把菲涅尔、斯涅尔与几何项写进采样密度，才是从根上解决透明物体黑斑的正路。任何后期滤波都只是掩盖，唯有正确的重要性采样能给出无偏且干净的结果。