WishGI: Lightweight Static Global Illumination Baking via Spherical Harmonics Fitting

全局光照通过结合直接光照和间接光照来创建逼真的照明效果，使虚拟场景更加接近现实。静态全局光照是虚拟场景渲染中的一个重要组成部分，它利用预计算和烘焙技术显著降低运行时的计算成本。然而，许多现有的方法为了追求视觉质量，依赖于大量的纹理存储和像素级的纹理采样，从而导致性能开销过大。在本文中，我们提出了一种光照重建方法，有效减少了片段着色器中的采样需求，并避免了额外的渲染通道，使其非常适合低端平台。为了在减少内存使用的同时实现高质量的全局光照，我们采用了球谐函数拟合的方法来烘焙有效的光照信息，并提出了一种逆向探针分布方法，为每个网格生成唯一的探针关联。这种关联可以在本地空间中离线生成，确保相同网格的所有实例都能保持一致的光照质量。因此，我们的方法能够在仅使用主流行业技术约5%内存的情况下，提供极具竞争力的光照效果。

论文试图解决静态全局光照技术在低性能平台上应用时面临的高内存消耗和性能开销问题。这是一个已有问题，但针对低资源设备优化的解决方案较少。

论文提出了一种基于球谐函数拟合与逆向探针分布的方法来烘焙光照信息。通过减少片段着色器中的采样次数并避免额外渲染通道，该方法显著降低了内存使用量，同时保持高质量的光照效果。相比传统方法，它将内存需求降低到约5%，并且确保相同网格的不同实例之间光照质量的一致性。

论文的核心亮点在于其高效的内存管理和一致性的光照处理方式。实验设计验证了该方法在多种场景下的表现，并与主流技术进行了对比，证明其在低性能硬件上的优越性。虽然未明确提及数据集或开源代码，但论文提到的方法值得进一步探索，例如如何扩展到动态全局光照以及对复杂材质的支持。

近期相关研究包括：1) 实时全局光照优化（如'Real-time Global Illumination with Precomputed Radiance Transfer'），2) 基于GPU加速的光照烘焙（如'GPU-Accelerated Lightmap Baking for Static Scenes'），3) 使用深度学习预测光照贴图（如'Deep Learning for Approximate Global Illumination in Real-Time Rendering'）。这些工作主要集中在提高计算效率或视觉质量，而本论文更关注内存优化及跨平台兼容性。