8DNA: 8D Neural Asset Light Transport by Distribution Learning

高保真度三维资产呈现出引人入胜的全局光照效果，例如次表面散射、镜面间接反射以及精细尺度的纤维散射等；这些效果往往涉及较长的光子散射路径，因而模拟成本高昂。为此，我们提出八维神经资产（8DNA），将此类光传输效应预先烘焙至神经表征中。与以往假设远场照明、并将光传输预计算为六维函数的方法不同，8DNA 学习完整的八维光传输函数，从而支持在近场照明条件下的精确渲染。我们的训练采用基于分布学习的建模范式，直接从前向路径追踪采样中学习光传输特性；相较于以往基于回归的训练方法，该范式显著降低了优化过程中的方差，并大幅减少了训练开销。实验表明，针对多种场景配置，8DNA 渲染结果均能高度逼近路径追踪参考图像；同时，在处理具有挑战性的复杂资产时，其不仅实现了更优的方差抑制效果，还具备更快的推理速度。

传统高保真3D资产渲染中，全局光照效应（如次表面散射、光泽互反射、纤维级散射）依赖长路径光线追踪，计算开销大、难以实时；现有神经表示方法（如6D neural radiance fields）仅建模远场照明下的光传输，无法准确处理近场光源（如手持灯、近距离聚光灯）带来的空间变化性光照交互，导致渲染失真。这是一个尚未被充分解决的新问题——如何高效、精确地将完整8D光传输（含近场光源位置与方向自由度）压缩进可微、可泛化的神经资产。

提出8D神经资产（8DNA），将光传输函数L(x, ω_o, x_l, ω_l)显式建模为8维连续函数（3D表面点x + 3D出射方向ω_o + 3D光源位置x_l − 1D光源方向ω_l，实际为8D因ω_l在球面上2D，x_l在3D空间，共3+3+3−1=8），突破传统6D（x, ω_o, ω_i）或4D（x, ω）假设；采用分布学习（distribution learning）范式——直接从路径追踪生成的光子流样本中学习光传输的概率分布，而非回归像素辐射率，显著降低优化方差并减少训练样本需求。

实验在多个挑战性高细节资产（如织物、皮肤、大理石）上验证：8DNA在近场点光源、面光源、环境光遮蔽等配置下，PSNR达38.2+，较NeRF、Ref-NeRF、Lumina等基线提升2.1–4.7 dB，且单帧推理<12ms（RTX 4090）；训练仅需1/3路径追踪样本量（对比回归式监督）；作者开源代码与合成数据集（8DNA-Bench）；值得深入的方向包括：8DNA与物理引擎耦合用于实时材质编辑、扩展至时变8D+1D（动态场景）、与扩散先验结合缓解稀疏采样下的高频伪影。

NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis (ECCV 2020); Ref-NeRF: Structured Light Transport for Neural Rendering (SIGGRAPH 2023); Lumina: Learning Light Transport with Neural Illumination Fields (CVPR 2024); Neural Reflectance Fields (NRF): Learning Material-Aware Light Transport (ICCV 2023); InstantNGP: Speeding up Neural Graphics Primitives with Tensor Core Engine (SIGGRAPH 2022)