降噪（下）：从 SVGF 到神经降噪的取舍

核心问题：上一篇（ep06）把时域复用讲透了——用运动矢量把历史帧搬过来，1 spp 的噪声就能压到肉眼可接受，代价是 disocclusion 与鬼影。可时域那一套只解决"同一个像素在时间轴上抖不抖"，它对单帧内部的空间相关性毫无办法：一个像素的估计误差和它邻居的估计误差是同源的，时域滤波不会让它们互相纠正。

时域之后剩下的残差是空间上的——低频块状噪声和高频斑点。要补上这一块，就得让邻居互相帮忙，而"邻居怎么加权"就成了整条降噪链上最容易调错、也最值得讲清的一环。

本篇来回答——空间滤波的邻居该按什么加权、à-trous 为什么要"打洞"、方差怎么就变成了驱动信号、三根 σ 调错了会看到什么、SVGF 的三个软肋在哪、A-SVGF 怎么把固定参数换成自适应、生产级的 ReBLUR/ReLAX 怎么选、TSR 与 DLSS 光线重建把这件事推进到了哪一步、以及神经降噪到底值不值。十件事合起来，才是"降噪（下）"的完整账。

本篇是降噪话题的下半篇，承接 ep06 的时域结论，只讲空间滤波与学习型重建；不重复展开时域复用的原理与失效模式（只在必要处引用 ep06 的结论）。本篇也不涉及：离线渲染的降噪（路径追踪器内部的样本累积与自适应采样）、视频编解码的降噪（时域/空域视频去噪）、摄影后期降噪、以及图像超分（仅涉及 DLSS 光线重建中与降噪融合的那部分）。这么切是因为这四类问题的约束条件与实时渲染完全不同——离线渲染有无限时间，视频编解码处理的是已有像素，摄影后期不关心延迟，硬凑在一起只会把"预算下的取舍"讲糊。

本系列（实时光线追踪与混合渲染，共 12 篇）的前置阅读：第一篇《分界线》给出了三类效果判据与三条成本模型；第二、三篇《加速结构工程账》上下给出了构建/更新/压缩与动态场景的账；第四篇《命中着色器与 SBT》讲了找到三角形之后该调用哪段着色器；第五篇《混合管线编排》讲了光栅化与光追怎么接力、性能预算怎么分；第六篇《降噪（上）》给出了时域复用的数学、运动矢量与重投影、六类失效模式。其余前置专题为算法层《实时渲染管线探析》5 篇、约束层《移动端图形与功耗》7 篇、硬件实现层《GPU 架构剖析》12 篇。

本文由@溯光 出品，转载请注明出处。本文同步发布于公众号与个人博客：技术博客页。

点题：空间滤波补的是哪一块

0.0 内容总览：本篇知识地图

先放一张总表，把十章各自回答的问题钉在这里。后面每一章都在展开其中的某一行。大家可以先从这张表里找到自己最关心的问题，再跳到对应章节去看。

横向覆盖全篇十章，纵向给出每章的核心问题、结论与主要依据。第一章讲"邻居该怎么加权"，第二章讲"半径怎么变大而不变贵"，第三、四章讲"方差怎么驱动、三根 σ 怎么调"；第五章讲"SVGF 哪里会坏"，第六章讲"怎么自适应地修"；第七章是生产级实现的两条路线，第八章是学习型重建，第九章是两边的工程账，第十章收束交棒。

0.1 时域之后剩下的残差

先来看看一张最朴素的证据。这张图把"有抗锯齿"与"无抗锯齿"两种画法摆在一起——左边是阶梯状的硬边，右边是过渡带。它说明的是一件很基础的事：当一个像素只取一个样本时，误差不是随机的白色噪声，而是有结构的——它会沿着几何边缘排成一条链，也会在细密纹理里结成块。

路径追踪里的噪声同样有结构。1 spp 时每条光线只随机挑一个方向、随机挑一个光源采样点，单条光线的辐射度估计方差极大；但相邻像素的随机数通常来自同一个低差异序列的相邻项，于是它们"错得相似"。这就解释了为什么降噪器不能只看自己——邻居的误差与你的误差是同源的，把它们平均起来，误差才会互相抵消。

这件事有直接的量化证据。这张图是同一信号按 4 个样本与 32 个样本分组平均的结果：样本数从 4 涨到 32 只多了 8 倍，但方差的下降幅度远大于 8 倍观感上的改善——因为噪声的方差与样本数成反比，Var ≈ σ² / N，标准差只按 1/√N 下降。

把这套逻辑搬到实时渲染里就是一句话：时域复用是在时间轴上攒样本，空间滤波是在同一帧里借邻居的样本。前者受限于帧间连续性，后者受限于边缘——两者是互补的，谁也替代不了谁。

0.2 降噪器在整条管线里的位置

再定一次坐标。下面这张图把降噪器放回完整的混合管线里：左边是 G-buffer 与光追的原始输出（颜色、深度、法线、运动矢量、粗糙度），中间是降噪器内部的两段——时域累积与空间滤波，右边才是最终呈现。ep06 拆的是中间那段的前半，本篇拆它的后半。

值得先说清的是空间滤波阶段手里有哪些输入。这不是随便的加权平均，而是一组带语义的辅助缓冲（auxiliary buffers）：

• 深度（depth）：判断邻居在不在同一层表面上；
• 法线（normal）：判断邻居的朝向是否一致，曲面折角与硬边在这里露馅；
• 亮度（luminance）：判断邻居的颜色是否来自同一段光照与材质；
• 方差（variance）：判断这一块到底有多脏，决定滤波强度与迭代层数。

少一个都会出问题：只用深度会在法线折角处渗色，只用亮度会把低对比度的真实纹理当成噪声抹掉。OK，言归正传，下面我们从最基本的一步开始——邻居该怎么加权。

0.3 口径声明

本篇的性能与内存数字基于以下口径，跨来源比较时请先对齐：

• 硬件：以 RTX 3080/4070 级别为参考（主流高端桌面 GPU），涉及内存的条目按 4K 分辨率计；
• 分辨率与帧率：1080p / 1440p（游戏常用），帧率目标 60 fps（16.67 ms 帧预算）；
• 光追效果：以 1–2 spp 路径追踪为基准（最低有效采样率），GI/反射/阴影同开；
• 降噪器版本：SVGF 按原论文设定（固定 5 级 à-trous）、NRD 按 ReBLUR/ReLAX 默认、DLSS 光线重建按 2026 年 4.5 版本；
• 厂商宣传数字的处理：凡属厂商公布的相对倍数（如 NRD 相较 SVGF 的 +50%），一律保留其原口径并标注来源，不转述为跨项目定论。

一、联合双边滤波：为什么"邻居"不是随便加权的

1.1 朴素高斯模糊的代价：噪声和边缘一起没

OK，空间滤波的起点是高斯模糊（Gaussian Blur）：离得近的邻居权重大，离得远的权重小，权重按高斯函数衰减。它的数学干净、可分离、实现简单，图像处理里用了半个世纪。

但它有一个致命问题：它不知道边缘的存在。这张图是 Canny 边缘检测流程的第一步——对原图做高斯模糊后的结果。大家注意看：噪声确实被压下去了，但物体轮廓也一起软掉了。原因很直白，高斯核的权重只看空间距离，不看内容；边缘两侧的两个像素在几何上是同一块砖，只是恰好被轮廓线分开了，高斯模糊照样把它们平均到一起。

顺带说一句，Canny 流程本身要在模糊之后才算梯度，这个顺序不是随便定的——先模糊再求导，等于在求导前把高频噪声掐掉，否则梯度图上全是噪声引起的假边缘。这个"先抑制、再判边"的思路，和我们下面要讲的空间滤波是同一个道理。

1.2 保边平滑：第三条路

既然"只看距离"不行，"完全不看距离"也不行，好了，既然两头都不合适，那就有一条中间路：按内容决定要不要平滑。这类方法有个总称叫保边平滑（edge-preserving smoothing），最直观的一族是各向异性扩散（anisotropic diffusion，又称 Perona–Malik 扩散）：它在平坦区域像热扩散一样把像素抹平，到了梯度大的地方就自动刹住，不让跨边缘的颜色通过。

图里这张对照很能说明问题：各向同性（isotropic）那一版糊成一团，各向异性（anisotropic）那一版把纹理细节留住了。这条思路的直接后代就是双边滤波（bilateral filter）——把"内容"直接写进权重里：权重 = 空间距离项 × 亮度差项。

到这里轮廓就清楚了。先做一次二次归类：空间滤波这一族可以按"权重里放了什么"排成一条线：

"联合"（joint）二字的含义就在这里：除了当前颜色，它还吃别的缓冲——深度和法线来自 G-buffer，是几何侧给的"这块像素属不属于同一个表面"的判据。

1.3 卷积：邻居加权求和的标准形式

OK，讲具体权重之前，先把数学形式固定下来。空间滤波的本质是一次卷积（convolution）：

I'(p) = Σ_{q ∈ Ω} w(p, q) · I(q) / Σ_{q ∈ Ω} w(p, q)

其中：

• p 是当前像素，q 是邻域 Ω 里的某个邻居；
• I(q) 是邻居的输入值（在光追降噪里通常是颜色，也可以对辐照度、方差等分别滤波）；
• w(p, q) 是权重，整个空间滤波的设计都在这一项里；
• 分母是权重的归一化，保证滤波后整体亮度不漂移。

写成这样以后，"高斯模糊 vs 联合双边滤波"的区别就只剩 w 的写法了：

w_gauss(p, q)  = exp( -|p - q|² / (2σ_spatial²) )
w_joint(p, q)  = w_gauss(p, q) · exp( -|I(p) - I(q)|² / (2σ_l²) )
                            · exp( -|z(p) - z(q)|² / (2σ_z²) )
                            · max(0, dot(n(p), n(q)))^σ_n

四个因子相乘，各自管一件事：空间距离管"离得远不远"，亮度管"颜色像不像"，深度管"在不在同一层"，法线管"朝向一致不一致"。任意一项趋近于零，w 就趋近于零，这个邻居直接被排除。

这里有个容易被忽略的实现细节：着色器里跑的多半是"相关"（correlation）而不是严格的卷积，差别只在核要不要翻转。因为我们的核是 w(p,q) 这种对称形式（|p-q| 用的是距离，dot(n(p), n(q)) 是对称的），翻转不翻转结果一样，所以工程上通常直接写成 Σ w · I，不再纠结定义。但如果哪天核变成非对称的（例如按梯度方向加权），这个差别就要回来了——而且回归时会表现为"图像被镜像"这种很难一眼看出的错误。

1.4 联合双边滤波核：一个像素的权重怎么算出来

下面我们开始算一像素的账。取当前像素 p 为中心，看它 3×3 邻域里的一个邻居 q，权重是四个因子的乘积：

这里要提醒一个实现上的坑：权重必须先算完再归一化，不能边算边累加。因为归一化分母 Σ w 在算完所有邻居之前是未知的；早期一些实现为了让循环更快，用固定分母（例如按 3×3 除以 9），结果在边缘密集处会整体偏暗——那不是算法错，是归一项错。

另一个坑是深度的写法。深度差可以直接比差值 |z(p) - z(q)|，也可以比"沿视线的相对深度"，后者在掠射角与大面积斜面上明显更稳。工程上更常见的一招是把深度转成线性深度再比（透视投影后的非线性深度在远处极密，直接比会把远处的同一表面判成两层）。

1.5 三组边缘停权：为什么必须同时存在

这张图是本篇第一个"自家账本"——三组权重随差异的衰减曲线画在一起，横轴是差异量，纵轴是权重。曲线形状是一样的（都是高斯型），但横轴的量纲完全不同：深度差是距离量纲，法线差是夹角（弧度或余弦），亮度差是颜色量纲。

好了，三者为什么缺一不可——它们各自都在补别人的漏：

• 只有深度：斜面上深度梯度大，同一块地板被切成两半；法线折角处深度却是连续的，于是折角两侧互相渗色。
• 只有法线：法线对薄几何失效——一片薄墙的正反面法线几乎相反，但夹角判据在掠射时因为法线接近垂直视线而变得迟钝；同时法线对"同一平面上的两块材质"毫无分辨力。
• 只有亮度：低对比度的真实纹理（例如同一材质上的缓慢明暗过渡）会被当成噪声抹掉；反过来，噪声本身造成的亮度差又会被误判成"这里是边缘"。

这就是联合双边滤波的核心理念：判据要互补，因为没有任何单一物理量能同时刻画"是不是同一个表面、是不是同一段光照"。深度管空间上的层次，法线管朝向的一致性，亮度管辐射学上的相似性。三组一起用，才把"邻居"这两个字落到实处。

到这里第一章的闭环还剩最后一环——这一套东西在工业实现里怎么落地。SVGF 的参考实现公开在 NVIDIA Research 的论文页上，逐行代码级的讲解见 Jacques Pillet 的 SVGF 实作笔记，配套的矩与方差写法见 Adventures in Hybrid Rendering；UCSB 的 GAMES202 第 14 讲则把工业解法这一节讲成了可以直接照做的作业。这一章的公式在以上三处都能对上，感兴趣的朋友可以交叉核验。

二、à-trous：用"打洞"换半径

2.1 从"一个大核"到"多级小核"

第二章要解决的问题是：第一章定了权重的写法，但还有一个更实际的约束没解决：半径要多大。

降噪需要的往往不是 3×3 的邻域，而是几十个像素的跨度——因为残差是低频的块状噪声，半径不够大就压不下去。可如果真去做一个 33×33 的核，采样数就是 1089 次，每像素一千多次纹理读取，实时渲染的预算根本承受不起。

à-trous 小波滤波换了个思路：不在一次里做大核，而是分成多级做小核。每一级只用固定数量的采样点，但把采样点之间的间隔（步长）翻倍——第一级步长 1（就是普通 3×3/5×5），第二级步长 2，第三级步长 4，第四级步长 8，第五级步长 16。这样一来，5 级之后有效覆盖半径达到了几十个像素级别，而每级的采样数始终不变。

要理解它为什么合理，得先看它借用的工具——小波变换（wavelet transform）。下面这张图是二维离散小波分解（2D DWT）的结果：一次分解会把图像拆成四个子带——左上角的低频近似（approximation）与三个方向的细节（水平、垂直、对角）。

这张图解释了小波族的共同特点：它不是一次把图像换到频域，而是分层地换——每一层只在上一层留下的低频部分继续分解。这个"逐层递进"的结构正是 à-trous 的骨架：à-trous 的每一级也是在一个尺度上做一次加权平均，下一级在更大的尺度上继续。

2.2 名字的来历：为什么要"打洞"，以及为什么是 B 样条

à-trous 是法语，直译是"带洞的"（with holes）。这个名字描述的就是它的做法：把上一级的核"插进空洞"再膨胀——原来相邻的两个采样点，现在中间塞进一个空洞，核的实际跨度变成原来的两倍，但采样点数量不变。

那这个核本身长什么样？经典 à-trous 小波变换用的尺度函数来自 B 样条（B-spline）族——它天然紧支撑、可分离、且不带负旁瓣，用它做加权平均不会引入振铃（ringing）。这张图是二阶 B 样条小波基函数的形状：

紧支撑这件事在工程上很值钱：核的支撑范围决定了"一个像素会读到多远的邻居"。支撑越紧，越容易放进缓存、越容易做波前式的并行；而 B 样条族在给定支撑宽度下能有最好的频率选择性——说白了就是在"该保留的细节"和"该压掉的噪声"之间划界划得最干净。

SVGF 的空间滤波阶段用的就是这个族里的核：5×5 大小、权重取自三次 B 样条（B3-spline）的一维权重序列，再按可分离性拆成横竖两趟。逐级的实现与核的写法在 SVGF 实作笔记里有完整对照。

2.3 五级结构：有效半径怎么算出来

先来看看每一级的采样点摆出来是什么样。这张图就是本篇第二个自家账本——五级 à-trous 的采样点分布，横轴是像素坐标，每一行是一级，步长分别是 1、2、4、8、16：

算一下覆盖半径：如果每级用的是 5×5（即每边 2 个采样点、间距为步长），那么第 i 级的覆盖半径是 2 · 2^{i-1} 像素。五级下来，最大一级的半径是 2 · 16 = 32 像素，单边直径 64 像素——而累计采样数只有 5 × 25 = 125 次，对比朴素大核的 1089 次，采样数降到约 1/9，覆盖范围反而更大。

这里有个值得单独说清的工程判断：为什么是 5 级，不是 3 级或 8 级？

• 级数太少（例如 2–3 级）：最大半径只有 4–8 像素，低频块状噪声压不下去，画面会留下"脏底"；
• 级数太多（例如 8 级）：最大半径到 256 像素，这时跨区域采样不可避免——即使边缘停权在工作，几十像素外的邻居也很可能属于完全不同的光照条件，滤出来的颜色会脱离本地实际，表现为大范围的"糊"与光照渗漏；
• 而且每一级都是一次全屏 pass，多一级就多一次全屏读写，成本是线性增长的。

5 级是一个被工业界反复验证过的折中：半径够压住 1–2 spp 的块状噪声，又不会跨到大到失真的范围。这也是 SVGF 原论文的默认设定，后续实现基本沿用。

2.3.1 实现顺序：可分离性与两趟滤波

还有一个实现层的判断必须写下来，因为它直接决定了这笔账怎么算：B 样条核是可分离的（separable）。

一维的 B3 样条权重序列是 [1/16, 1/4, 3/8, 1/4, 1/16]，二维核是这两个序列的外积。这意味着一个二维 5×5 滤波可以拆成"先水平一趟、再垂直一趟"两次一维滤波：每像素的采样数从 25 次降到 5 + 5 = 10 次。这不是优化技巧，而是这些核被选中的理由之一——不可分离的核（例如按梯度方向旋转的自适应核）就得老老实实付 O(r²) 的采样代价。

落到 à-trous 的每一级上，结构是这样的：

//--------------------------------【à-trous 单级滤波（可分离 · 横竖两趟）】--------------------------------
// 描述：第 level 级的空洞卷积，步长 step = 1 << level；辅助缓冲只读一次
//------------------------------------------------------------------------------------------
[numthreads(8, 8, 1)]
void AtrousLevel(uint3 id : SV_DispatchThreadID) {
    //【1】取本级需要的四类输入：颜色、深度、法线、时域方差
    //【2】横竖各采 5 个 tap，tap 间距 = step；权重 = B3 样条权重 × 三组边缘停权
    //【3】在同一趟内完成权重求和与归一化后写回；level+1 时 step 翻倍
}

下面对这段结构特别说明三点：

1. 步长是本级唯一的变量。五级之间除了 step 之外没有任何差别，所以实现上通常就是一个循环五次 dispatch，把 step 当参数传进去。这也解释了为什么"减级数"的收益是线性的——减的是 dispatch 次数，不是每级内部的计算量。
2. 归一化必须在同一趟内完成。横竖两趟各做一次归一化，不能"横向只累不加权、纵向统一归一化"，因为纵向无法知道横向跳过了哪些邻居。
3. 辅助缓冲只读一次。这是 2.4 节那笔访存账的落点：每一级都要读颜色、深度、法线、方差，读的次数乘以级数就是总的读取量；把本级要用的 tap 邻域先搬到寄存器或共享内存，再在片内做加权，避免同一纹素被反复取——JCGT 2026 的优化正是沿这个方向做的。

2.4 那它为什么慢：JCGT 2026 给的量化答案

OK，那么一个自然的问题是：既然采样数已经降到 1/9，为什么 à-trous 还是被公认是降噪里最贵的一段？

JCGT（Journal of Computer Graphics Techniques）第 15 卷第 1 期在 2026 年 1 月专文优化了 SVGF 的 à-trous 阶段，给出的答案很明确：瓶颈不在算术量，而在访存模式。每个全屏 pass 都要读一遍颜色、深度、法线、方差，写一遍结果；5 级就是 5 遍"读一大把纹素、写一张全屏图"。滤波本身的计算（几次乘加）远不是问题，重复读取与缓存命中率才是。

该文针对现代 GPU 的内存访问特征重构了这一阶段，在滤波质量不变的前提下拿到 1.3–2.5× 的加速（原文口径，见 JCGT vol.15 no.1）。这篇文章的价值不只在这个倍数，更在于它把"à-trous 为什么慢"从经验判断变成了可复核的访存账——这也是本篇第一处需要给出数字的结论。

这笔账摊开是这样：每一级 pass 的读/写流量，以及优化前后在访存上的差别。

口径提醒：1.3–2.5× 是一个区间，不是一个定值——原文的加速比取决于场景与 GPU 架构（不同架构的缓存层次与带宽不同）。凡是看到"à-trous 加速 2.5 倍"这类被抹平口径的转述，都值得回去对一下原文的测试条件。

对做项目的朋友，这一节的实操含义是：调 à-trous 的级数是在拿画质换访存，而减级数的收益可能比想象中大——因为成本是每级的固定全屏开销，不是按有效半径平方涨的。反过来，如果降噪占了整个光追预算的一半以上，先查访存而不是先删 pass。

三、方差驱动：SVGF 真正的新意

3.1 从"攒样本"到"估方差"

前两章讲的是"怎么滤"。但还有一个更根本的问题没人回答：滤多狠？

OK，如果对整张图用同一套参数，结果一定是两头不讨好：平坦区域滤得不够（噪声残留），几何边缘滤得过狠（细节丢失）。要逐像素决定强度，就得知道"这个像素现在有多脏"——也就是噪声的方差。

SVGF 在时域累积时多存了一样东西：颜色的一阶矩与二阶矩。这件事在 ep06 里提过一句，这里把它展开，因为它是整条链的驱动信号。

矩（moment）的记法与更新：

m1_t = α · c_t + (1 - α) · m1_{t-1}          // 一阶矩：颜色的加权平均
m2_t = α · c_t² + (1 - α) · m2_{t-1}         // 二阶矩：颜色平方的加权平均

其中：

• c_t 是当前帧该像素的原始颜色（1 spp 的噪声值）；
• m1_t 是累积后的颜色，也就是最终要输出的值；
• m2_t 是颜色的平方的累积值；
• α 是时域混合系数（ep06 已详述，SVGF 默认取向是让历史占主导，常见取值在 0.05 量级）。

有了两个矩，方差就是一步减法：

σ²_t = m2_t - m1_t²

这个式子的物理含义很直白：如果颜色一直在稳定值附近小幅波动，m2 与 m1² 会非常接近，方差趋近于零——说明这个像素已经收敛、很干净；如果颜色方差很大（刚出现的新表面、快速运动的高光），m2 会明显大于 m1²，方差就大。

这里有一个必须点明的坑：用差值法算方差在浮点下是不稳定的。当 m2 与 m1² 都是大数而方差本身很小时，两者的差会被浮点精度吃掉，甚至算出负方差。工程上的标准做法有两条：一是按通道分开算，二是给方差设一个下限（clamp 到 0 或一个极小正值）。这一点在 Adventures in Hybrid Rendering里给了可核对的写法。

3.2 采样分布：方差从哪来

方差这个量，最终还是要回到采样本身。同一条光线打出去，落在哪、打中什么，全由采样决定。下面两张图是同一件事的两种样本分布：

两张图的差别就是成簇（clumping）与空洞（gap）：均匀随机的抖动采样会在某些区域挤成一团、另一些区域留白，这直接抬高了积分估计的方差；低差异序列（准蒙特卡洛，Quasi-Monte Carlo）让样本分布得更均匀，同样的样本数下方差更低。

这就解释了为什么工业光追管线几乎都用低差异序列（Halton、Sobol、蓝噪声）加子像素抖动：它不减小单样本的方差，但它让有限样本的分布更接近理想，把估计的方差压下来。ep06 里讲过的 Halton 序列抖动，正是为时域累积服务的同一件事——时域上每帧换一个抖动位置，帧间的样本合起来就覆盖了更多子像素位置。

还有一个实用推论：方差的估计质量直接决定了降噪的上限。如果采样分布本身很差（成簇严重），那么 σ² 这个信号就会失真，降噪器会把"采样太差"误判成"这里该狠滤"，于是把细节一起抹掉。这也是第九章要算的账里的一项——采样与降噪不是两件事，是先后的同一笔预算。

3.3 一条链：方差同时驱动 α 与滤波强度

下面我们把它接回整条链。这是本篇最核心的一张结构图：

三个环节：

1. 进：当前帧的 1 spp 颜色与上一帧的历史矩，来时域累积；
2. 算：由两个矩得到时域方差 σ²，加上深度/法线的几何信息；
3. 出：方差去两个地方——一处决定 α（越脏越该信当帧，α 越大、历史权重越低），一处决定空间滤波的强度（越脏越该多滤几级、权重放得越宽）。

这就是 SVGF 与它之前所有做法的分界。在此之前，"滤多狠"是人为设定的常数；在此之后，它是一个逐像素、逐帧变化的观测量。说白了，SVGF 真正的新意不是那 5 级 à-trous，而是让方差变成了整个算法的驱动信号。

代价也很清楚：多两个全屏缓冲（一阶矩、二阶矩），多一遍方差计算，多一倍的显存写入。对内存敏感的管线，这笔开销是要认真算的——到第七章讲 NRD 时我们会看到，生产级实现在这一点上做了非常不同的取舍。

这一章的公式与流程同样可以交叉核验：SVGF 原论文给了方差驱动的原始设定，GAMES202 第 14 讲给了作业级的实现骨架，SVGF 实作笔记给了可逐行对照的代码。三处的口径在"方差怎么算、算出来驱动谁"这一点上是一致的。

3.4 方差钳制：把离群值关在门外

第五章会说"方差估计会失效"，但失效的机制在这里就该讲清，否则第五章的结论会显得突然。

OK，问题出在反馈环上：方差由历史矩算出来，而历史的长度又由方差决定——α 越小，历史越长，而 α 又受方差影响。这是一个闭环，闭环的系统最怕两件事：正反馈与离群值。

• 正反馈：如果某一帧因为一次离群采样（例如一条光线恰好打中高亮光源）把方差抬得很高，α 就会被迫抬高（弃用历史），历史变短 → 下一帧的方差估计样本更少 → 估计更不稳 → 方差继续偏高。于是画面在该区域反复"变脏—重滤—再变脏"。
• 离群值：m2 是平方的累积，对离群值极其敏感——一个比均值大 100 倍的样本对 m2 的贡献是 100² = 10000 倍。一阶矩 m1 会被它轻微拉动，但 m2 会被它彻底带偏。

工程上的标准对策是方差钳制（variance clamping）：给 σ² 设一个上限，把估计值截断在合理范围内。

σ²_clamped = clamp( σ²_t , 0 , σ²_max )

σ²_max 的取值思路有两条，都在实践里用：

• 按当帧的统计量定：用当帧目标邻域的方差（或全局分位数）作参考上限，让钳制尺度随画面自适应；
• 按经验绝对量定：对归一化后的线性颜色，给一个固定上限，超出的部分一律按上限处理。

这里要区分两个容易混淆的"钳制"：方差钳制管的是"滤波强度别失控"，钳制对象是 σ²；而 NRD 里暴露给使用者的"噪声钳制"（noise clamp）管的是另一件事——把降噪结果往原始噪声图按比例拉回，避免降噪器产出"比真实信号还干净"的结果（第七章 7.4 提到的 blendFactor 就是这条）。两者的作用点完全不同，一个在估计环节，一个在输出环节。

顺手把这一章的一条实操推论写下来：如果你想验证自己的方差估计稳不稳，就去看"方差缓冲的可视化图"。健康的方差图应该只有几何边缘与运动区域亮，平坦静止区域应该是大片黑色；如果整屏都是灰的，说明钳制没做对，或者矩的更新用了错误的像素权重。

四、三根 σ 的实操：调错了会看到什么

4.1 先分清两种"边缘"

先来看看一个容易被跳过的事实：调 σ 之前必须先接受它——梯度图上的"边缘"有两种，而且降噪器必须区别对待。一种是几何与材质造成的真实边缘——物体轮廓、法线折角、纹理分界；另一种是噪声造成的假边缘——1 spp 的随机波动在梯度算子下同样会亮起来。

这张图是同一张图做过边缘/梯度检测的结果，大家可以直观看到边缘图的样貌：轮廓清晰，但纹理区域也出现了大量细碎响应——在实拍图里那是真纹理；在 1 spp 的光追输出里，那些细碎响应就有相当一部分是噪声。

这件事和 σ 的关系在于：σl（亮度停权）本质上是在回答"多大的亮度差才算边缘"。设小了，噪声引起的假边缘也被当成真边缘保护起来，噪声就滤不掉；设大了，低对比度的真实纹理被当成噪声抹掉，画面像被磨皮过度。

4.2 σ 的数学形状：为什么它是"尺度"而不是"阈值"

三组权重都是高斯型，形式统一：

w_z(p, q) = exp( -|z(p) - z(q)|² / (2σz²) )
w_n(p, q) = max( 0, dot(n(p), n(q)) )^σn
w_l(p, q) = exp( -|l(p) - l(q)|² / (2σl²) )

图上的 σ 变化说明了一个常被误解的点：σ 不是硬阈值，它是衰减尺度。权重不会在某个差值上突然从 1 跳到 0，而是随着差值增大逐渐衰减。这意味着：

• σ 稍小一点，远处的邻居权重变得很小但非零，仍会影响结果——"边缘两侧互相渗色"永远不会完全消失，只能被压到看不见；
• σ 稍大一点，权重曲线变平，滤波更像加权平均，细节会缓慢丢失而不是突然糊掉；
• 因此调 σ 看到的现象是"渐变"的，不是"开关"式的。这也是为什么调参必须靠"看到症状"来反推方向，而不是靠猜。

法线那一项形式不同——用 dot(n(p), n(q)) 的幂次。用点积而不是夹角差，是因为点积天然给出 [-1, 1]，且 max(0, ·) 把背对背的邻居（点积为负）直接归零，正好对应"法线相反就不可能是同一表面"。幂次 σn 越大，衰减越陡：小的幂次（如 8）很宽松，大的幂次（如 128）非常严格。

4.3 调错了会看到什么：九种症状对照

下面这张图把三根 σ 的三种错法各画一行，每一格是对应的可见症状。这张表和图，是这一章最需要带走的实操内容：

三种错法里，实战中最容易踩的是 σl 的失配：很多管线在色调映射之后的 LDR 图上看噪声做滤波，又在 HDR 线性空间里取 σl 的经验值，结果同一个数字在两种空间里的等效强度差出几个数量级——表现为"参数怎么调都不对"，因为基准本身就错了。

判据给三条，方便自查：

1. 看症状的位置：只有斜面上出问题 → σz；只在折角与硬边出问题 → σn；只在特定材质上出问题 → σl。
2. 看症状的方向：细节被吃掉 → σ 偏大；噪声残留 → σ 偏小；斑块与条带 → 多半是空间尺度失配（σz 或 σn）。
3. 做单旋钮实验：把另外两组 σ 调到极宽松（几乎不参与判断），只扫一根，看画面怎么变。一次只动一根，是调这三根旋钮唯一有效的办法。

这三根 σ 是工程上最常被调的旋钮，也是所有降噪教程都会提到、却很少讲清"调错什么样"的地方。社区里对这一点有第一手的抱怨——UE 用户最常讨论的两个问题就是"切了 ReBLUR/ReLAX 之后画面观感变化"和"噪声钳制该给多少"，说明同一个降噪器在不同内容上需要的调参量并不小（见 NVIDIA 开发者论坛的实操帖）。

4.4 参数清单与取值带

按本系列的规矩，这一节给出可核对的参数清单，而不是停在"要调 σ"。下表是工业实现上常见的一组量级参考，不是标准答案——它的用途是让大家知道"大概从哪开始扫"，以及"扫到哪个方向算离谱"。

三条使用注意：

1. 先定口径，再填数字。σz 依赖场景尺度、σl 依赖颜色空间（线性还是色调映射后）、σn 依赖法线的归一化方式。同一组数字换个口径就不是一个东西——这是横向对比时最容易出错的地方（本章开头提到的社区抱怨，一半来自这里）。
2. 按内容而不是按显卡取值。同一台机器上，室内场景与几公里视野的开阔场景，σz 的量级能差出两个数量级。
3. 一次只动一根。三根 σ 之间会互相掩盖症状（例如 σl 过小会掩盖 σz 过大造成的渗色），同时调等于把三个变量搅在一起，症状无法归因。

五、SVGF 的三个软肋

5.1 软肋一：鬼影残留

OK，ep06 已经把鬼影的机理讲透了——运动矢量不准导致历史颜色被错误复用。这里要看的是它在真实项目里的具体样子，因为这是判断"SVGF 够不够用"的关键证据。

Q2VKPT（Quake 2 的路径追踪版）在 GDC/GTC 2019 的材料里给了一个非常具体的观察：SVGF 的时域模糊会让光源已经关掉的画面里仍然残留光照，光滑的高光会拖出彩带（smearing）——材料里用第 412 帧的品红框标出了这个现象。他们的应对办法是估计并重建稀疏时域梯度，用它逐像素自适应 α——例如被闪烁蓝光照亮的区域在 406 帧附近 α 很大，等于主动放弃历史（见 Q2VKPT 的 GDC/GTC 2019 材料）。

这条证据的价值在于它不是实验室合成图，而是一个真实游戏里跑出来的、能指名到帧的失败案例。它同时也预告了第六章的内容：修鬼影的方向就是把 α 从常数变成逐像素量。

5.2 软肋二：过模糊

第二个软肋是本章最容易被忽视的：固定 5 级 à-trous 总是跑满。

第二章算过，5 级的最大半径是 32 像素。对平坦区域这是必要的；但对一块已经收敛、几乎没噪声的锐利区域（例如静止的镜面、干净的墙面），跑满 5 级就是在拿细节做无用功——边缘停权能保护硬边，却保护不了边缘附近的渐变与细节纹理，于是光滑表面会显得"发蜡"。

这个问题的本质是滤波强度与噪声水平没有耦合：SVGF 已经有方差这个观测量（第三章），但标准设定里 à-trous 的迭代层数是固定的——方差只用来调 α 与权重宽度，没有用来决定"跑几级"。这个缺口正是 A-SVGF 要补的。

5.3 软肋三：方差估计在高动态场景失效

好了，第三个软肋最隐蔽：方差估计本身会错。

第三章的公式 σ² = m2 - m1² 假设"历史与当帧来自同一个分布"。一旦这个假设破了，方差估计就失去了意义：

• 1 spp 的方差有离群值：单帧一条光线的结果可能恰好打到光源上、亮出几个数量级，m2 被一个离群值拉高，于是方差被高估，降噪器误以为"这里很脏"而重滤——明明只是采样运气差；
• 当帧与历史不一致：镜头快速转动或光照突变时，m1 与 m2 混合的是两个不同分布的颜色，算出来的方差既不是旧的也不是新的，α 与滤波强度就被同时带偏；
• 高动态范围放大误差：亮度跨度大时，m1² 与 m2 都是大数，浮点精度损失更严重（3.1 节提过）。

三条合起来是这样：

到这一章为止，SVGF 的全貌就清楚了：它的框架是对的（方差驱动），但它的参数是固定的。下一个问题自然就是——能不能让参数跟着画面走？

5.4 这一章留下的问题

好了，三句话收一下这一章：

1. 鬼影残留说明"历史信任度"不该是常数；
2. 过模糊说明"滤波层数"不该是常数；
3. 方差失效说明"方差本身"也该被估计得更稳。

三个"不该是常数"，指向同一个方向：逐像素自适应。这就是下一章。

六、A-SVGF：把固定参数换成逐像素自适应

6.1 梯度估计器：先判断"变化有多大"

先来看看它怎么改——A-SVGF（Adaptive SVGF）针对第五章的三条软肋逐个改，而它的地基是一篇单独的论文——Schied 等人 2018 年的《Gradient Estimation for Real-Time Adaptive Temporal Filtering》，核心是估计时域梯度幅值：比较当帧亮度与历史亮度，判断画面在这里"变化得有多剧烈"。

逻辑很朴素：如果当帧与历史的亮度差很大，说明这里正在发生变化，历史已经不可信；差值小就说明画面稳定，历史可以多信一点。这个"亮度差"就是时域梯度的幅值，它比方差更容易算稳——因为它比的是一对值，而不是两个矩的差。

这张图把梯度估计器的判定链画出来。要注意它并不直接给出"要不要弃用历史"——它先给一个可比较的幅值，再由幅值去驱动后面两个决定（改 α、或钳制当帧输入）。

6.2 逐像素 α：剧变处直接弃用历史

有了梯度幅值，α 就不再是固定的 0.05，而是逐像素计算：

• 画面稳定处（梯度小）：α 取小值，历史权重高，噪声被充分累积；
• 画面剧变处（梯度大）：α 直接推向 1——等于当场丢弃历史，只用当帧结果。

这一步解决的是鬼影：Q2VKPT 里那种"光源关了还亮着"的残留，本质上就是该弃用历史的地方没有弃用。把 α 推到 1 的瞬间，画面会短暂变脏（只剩 1 spp 噪声），但换来的是不会留下错误的历史。这是一个明确的取舍——用一瞬间的噪声换掉持续的鬼影。

6.3 自适应迭代数：平均 pass 数从 5 降到 2–3

好了，第二处改动直接用上了方差：由时空估计的方差决定 à-trous 跑几级（1–5）。低噪声的像素跳过深层，脏的像素才跑满。

这一步解决的是过模糊：已经干净的锐利区域不再被反复平滑。

两项改动叠加的实测效果是：平均 pass 数从 5 降到 2–3，镜面更锐、快移相机下更稳，而 GPU 成本相当（见 降噪方案综述中对 A-SVGF 与原版 SVGF 的对照；梯度估计的原始出处见 Schied 的论文主页）。

这里要提醒口径："平均 pass 数 2–3"是一个统计量，不是每一帧的确定值。它意味着在全屏范围内平均跑了 2–3 级；局部看，静止的平坦区域可能跑满 5 级（因为方差大），而锐利的静止镜面只跑 1 级。做性能预估时按平均值算没问题，但如果要算最坏帧时间，得按 5 级算。

两项改动放在一起对照：

6.4 这一章留下的问题

OK，到这里 A-SVGF 已经把 SVGF 的三个常数换成了三个观测量，方向是对的。但它仍然是"手调降噪器"这一族：参数虽然自适应用了，可设计本身还是人定的——5×5 的核、5 级的上限、三组 σ 的形式、α 的上限。这些都是人在看画面、改代码、再测试的循环里定下来的。

那么问题来了：如果把这个循环交给一个能自己从数据里学的东西，会怎么样？以及——已经有一批跑了七八年的生产级手调实现（第七章要讲的 NRD），它们的账该怎么算？

这是第八、九章的事。

七、ReBLUR / ReLAX：生产级的两条路线

7.1 NRD：一个把降噪当工程题来做的集合

到这一步，我们讲的都是"论文里的降噪器"。但项目里真正跑起来的是实现——NVIDIA Real-Time Denoisers（NRD，NVIDIA 实时降噪器）是目前公开资料里最完整的一套生产级集合，包含两个主力：ReBLUR 与 ReLAX。选它作样本，是因为它的文档把设计判断写出来了，而不只是给结果。

先把两条路线的定位摊开：

7.2 ReBLUR 的四个设计判断

ReBLUR 值得单列，是因为它有四个不太一样的判断，每一个都能反过来解释我们前六章讲的机制：

判断一：恒定半径 + 一趟额外 pass 修离群值。 标准 à-trous 是"多级由小到大"，ReBLUR 用恒定半径的递归模糊，再用一趟单独的 pass 处理离群值。这样做的好处是每一帧的滤波代价可预测——没有"这一帧跑了 5 级、下一帧跑了 2 级"的波动，对实时管线的预算管理更友好。

判断二：自适应半径随累积帧数变化。 累积帧数少时噪声大，半径放大；累积帧数多时画面已经稳定，半径收小。这实际上是把第六章"自适应迭代数"的思想换到了半径这个维度上，但实现代价更低——不用改 pass 数。

判断三："时域稳定"不等于"时域累积"。 这是全篇最值得抄下来的一句话。两者的差别在于：

• 时域累积：把历史帧加权进来，等效采样数增加，噪声下降——代价是引入滞后（lag），因为历史占比高，画面反应慢；
• 时域稳定：不追求"多攒样本"，只追求"少闪"——它更像一个设计得更好的 TAA 滤波器，不引入额外滞后，靠更宽的方差钳制把波动压住。

对项目来说这个区分很实际：如果目标是画质（静止画面要干净），选累积；如果目标是响应（快速运动不能拖），选稳定。很多团队抱怨"降噪一开手感就变粘"，往往是因为在需要稳定性的场景里做了重累积。

判断四：累积速度是视差、NoV、粗糙度的函数。 这三者共同决定"这个像素的历史值不值得信"：视差大（物体移动快）不信历史、NoV 小（掠射角，几何信息不可靠）不信历史、粗糙度高（本来就模糊，历史信息量低）少信历史。这套判据比单一的"亮度差"更全面，代价是要多读几个 G-buffer 通道。

ReBLUR 的设计讲解见 GTC 2020 的《Fast Denoising with Self-Stabilizing Recurrent Blurs》，落地案例分析见 NVIDIA 官方博文（Watch Dogs: Legion）。

7.3 内存账：低端卡开不开得起，由这个数决定

下面我们算本篇的第二笔硬账。社区的讨论里有一个很实在的观察："能不能上降噪"的真实门槛是内存，不是算力。降噪器要维护工作集（working set）、常驻（persistent）与可混叠（aliasable）三类缓冲，4K 下部分配置的工作集是数百 MB 级——例如 ReLAX 的漫反射+镜面 SH 配置，工作集口径达 303.94 MB（数据源为 NRD 文档的内存表）。

这个数字的实操含义：显存紧张的卡（例如 8 GB 级）在 4K + 光追 + 高材质的情况下，降噪器很可能就是最后一根压垮的稻草。而降噪器又是不能关的——关掉画面上就是满屏噪点。于是现实里的取舍常常是降分辨率、降光追质量，或者换 ReBLUR。

这张账表把三级内存口径与两种路线的差别摆出来：

口径提醒：内存表随版本更新会变，且与分辨率、信号数量、是否开启可混叠强相关。凡是引用"某个降噪器占 XX MB"的说法，务必回去对口径——是工作集还是常驻？是 1080p 还是 4K？开了几个信号？这一条在横向对比时几乎每次都会踩到。

7.4 可调项：为什么"切一下"画面就变了

NRD 在运行时把这些选择暴露给了使用者：NRD 版本、ReBLUR/ReLAX 切换、噪声钳制强度等，在 Remix 的运行时面板里都能直接改（见 Remix 运行时文档 · 降噪页）。OptiX 侧的降噪器参数结构也说明了 blendFactor 的线性插值语义——它控制的是"把降噪结果与原始噪声图按什么比例混合"（见 OptiX 8 降噪器参数结构）。

这解释了一个反复出现的用户抱怨：同一台机器、同一个游戏，切了 ReBLUR/ReLAX 之后"画面观感变了"。这两条路线在处理漫反射与镜面的方式上根本不同，SH 域表达对低频光照更友好，递归模糊对高频细节更保真；再叠加噪声钳制这个"把结果往噪声图拉回多少"的旋钮，同一场景给出不同的观感是必然的，不是 bug。

对做项目的朋友，这一节的结论是：降噪器的参数不是"调一次就完"的配置项，而是随内容变化的运行参数。把 σz/σn/σl 与噪声钳制暴露给美术，让 TA 按场景微调，往往比在引擎代码里写死一套值更有效。

八、TSR 与 DLSS RR：从"调参"到"学习"

8.1 TSR：把降噪思路用在时域超分上

在讲学习型方案之前，先看一个"仍然是手调、但思路换了个对象"的例子——UE5 的时域超分（Temporal Super Resolution, TSR）。它做的是超分（把低分辨率渲到高分辨率），但用的机制和降噪是同一套。Epic 的文档把它的机制拆成几件可点名的事：

• 历史（History）的累积与复用：和 ep06 讲的时域累积同源，区别在于它复用的是渲染分辨率的历史；
• 视差启发法（Parallax Heuristics）：用运动矢量重投影，并在解除遮挡（disocclusion）时保住画质——这正是 ep06 第三章的 disocclusion 问题；
• 着色拒绝（Shading Rejection）：检测颜色变化与半透明，避免把已经变化的历史颜色带进来，同时还要和 Nanite 的细节量做平衡；
• 闪烁时域分析（Flickering Temporal Analysis）：稳定画面，抑制摩尔纹与远景细节的抖动。

这四件事在实现里是有先后次序的，这张图把它们串成一条链——要留意的是最后那个"边界"，它是 FAQ 自己承认管不到的部分：

机制名称见 UE5 官方中文文档（5.6），历史拒绝的两种累积策略对比见 5.2 版文档。

TSR 这一节最有价值的，其实是它的 FAQ 承认自己管不到所有闪烁：Lumen 在高强度色物体附近会失稳、Nanite 在几何边未焊接时远景会闪（见 Flickering Temporal Analysis 单篇 FAQ）。

这条"承认做不到"的证据，比任何成功案例都稀缺。它给我们的判据是：降噪/时域类方案的上限不由它自己决定，而由上游数据的质量决定——几何边没焊好、光照解算不稳，降噪器只会把这些错误忠实地传下去。

8.2 DLSS 光线重建：一个网络替掉一整排降噪器

先来看看学习型重建的代表——DLSS 光线重建（Ray Reconstruction, RR）。它的做法和前面所有方案都不同：用一个神经网络替掉手调的降噪器排布，并把降噪与超分融进同一个模型。

官方给出的关键信息有两条：它读取引擎提供的时间与空间数据（对应我们前面说的 G-buffer 与历史帧），重建采样光线之间的像素；训练数据是 DLSS 3 的 5 倍，且模型能识别不同的光追效果，据此决定如何使用时空数据、保留高频信息（见 DLSS 3.5 官方页，解读见 Kunal Ganglani 的拆解）。

"降噪 + 超分融合进同一个模型"这一点值得单独说：在手调方案里，降噪和超分是两段串联的全屏处理，中间有一次全屏写回；放进一个网络后，中间结果可以留在网络内部。这省下的不只是显存带宽，还有一段原本必然存在的量化与写回误差。

8.3 2026 的时间戳：4.5 版本已覆盖全部 RTX

关于"学习型降噪值不值"，2026 年发生了一件让这个问题从预测变成事实的事：DLSS 4.5 光线重建在 Gamescom 2026 发布，并覆盖全部 GeForce RTX GPU；相较上一代模型算力 +35%、参数量 +20%，而官方称其性能影响可忽略（RTX 40/50 级）（见 NVIDIA 中文官方公告、覆盖范围的第三方报道、算力与参数增幅的报道）。

为什么这条时间戳对本篇关键：它把"神经降噪"从"未来的可能性"挪到了"现在的既成事实"。讨论它值不值，必须基于"它已经在所有 RTX 卡上跑起来了"这个前提，而不是复述 2023 年的预测。

把这一章的脉络按时间线钉一下（年份口径：论文按发表在 HPG/SIGGRAPH 的年份，产品按公开可用年份）：

九、神经降噪值不值：一笔工程账

9.1 五维对照

"哪个更好"是个伪问题——手调与会学习根本不是同一个维度上的东西：一个比的是"参数怎么定"，一个比的是"参数从哪里来"。真正该算的，是它们在五个维度上各自付出的代价，而且这五个维度必须放进同一张表里看，单独拎出任何一个来比都不成立——只比内存会得出"手调更省"，只比调参成本又会得出"学习型更省"，两个结论都对，合起来才有用。

9.2 判据，而不是结论

OK，把这张表翻译成可操作的判据：

选手调降噪器，当：项目要跨平台（含不支持推理加速的 GPU）、需要可解释与可局部调试、要对最坏帧时间负责、或者有大量非常规内容（自定义光照模型、特殊材质）需要手工兜底。

选学习型重建，当：目标平台固定且有对应加速单元、要的是最高画质与最低 CPU 侧调参成本、内容落在主流分布内（常规 PBR 材质与光照）、且能接受"失败时只能等模型更新"这一条。

两者可以共存：主流做法是把学习型方案作为高质量档，手调降噪器作为兼容档与兜底档。这不是骑墙——第五章和第八章给出的证据都指向同一件事：降噪器的上限由上游数据质量决定（几何是否干净、光照解算是否稳定、采样分布是否合理）。上游不修，两条路线都救不回来。

9.3 这一章留下的问题

本章给了判据但没给结论，因为结论取决于项目。但有一条可以确定：不管走哪条路，"降噪"这件事的性价比天花板正在下降——前面九章讲的都是"如何把已有的采样结果修得更好看"，而真正决定信噪比的是发了多少条光线、发在哪。

修图修得再好，也不如一开始采得更聪明。这是下一篇的题目。

十、边界与交棒

本篇的边界前面已经声明过，这里再收一次：不涉及离线渲染的降噪（路径追踪器内部的样本累积与自适应采样）、视频编解码的降噪、摄影后期降噪、以及图像超分（只涉及 DLSS RR 中与降噪融合的部分）。此外，ep06 已讲透的时域复用原理与失效模式，本篇只做引用，不重复展开。

10.1 本篇三处量化结论的口径汇总

全篇引用的数字不少，但真正称得上"结论级"的只有三处。把它们与口径一起钉在这里，方便大家复核，也方便避免被抹平口径的转述带偏：

三条口径提醒，值得单独记一下：

1. 区间不是定值。1.3–2.5× 这种区间式表述在降噪领域很常见——不同分辨率、GPU、目标信号（阴影/反射/GI/AO）会给出不同的数。写"横向对比"前必须先声明口径，否则比较没有意义。
2. 平均值不是最坏帧。做性能预算要按最坏帧算：如果平均 2–3 级，最坏帧仍可能跑满 5 级，帧时间预算是按后者准备的。
3. 内存要看是三级中的哪一级。工作集、常驻、可混叠三者在不同实现里差别很大，引用任何单个数字都要问清是哪一列。

10.2 三句话收束

好了，三句话收束全篇：

1. 空间滤波补的是时域补不上的那一块——邻居的误差与你的误差同源，只有互相平均才能抵消；
2. 三根 σ 与方差是这套机制的两条命脉——前者决定"谁算邻居"，后者决定"滤多狠"，而它们都必须在正确的空间（线性 HDR、正确的尺度）里取值；
3. 从 SVGF 到神经降噪，变的是参数怎么定，不变的是降噪的上限由上游数据质量决定。

交棒方向：降噪之后剩下的问题回到了几何与材质侧的采样预算——如何用更少的采样光线拿到同样的信噪比，也就是采样与重要性重采样（importance resampling）的题目。那正是【实时光线追踪与混合渲染】（八）《ReSTIR 与光照采样：小样本怎么骗过大方差》要回答的。

本篇作者：溯光 本系列（实时光线追踪与混合渲染，共 12 篇）：分界线 → 加速结构工程账（上）→ 加速结构工程账（下）→ SBT → 混合管线编排 → 降噪（上）→ 降噪（下）→ ReSTIR → 光线预算表 → RT 资源生命周期 → 透明与体积 → 反射与阴影混合 → 跨平台差异 前置专题：《实时渲染管线探析》5 篇 · 《移动端图形与功耗》7 篇 · 《GPU 架构剖析》12 篇

相关链接 - 上一篇：【实时光线追踪与混合渲染】（六） 降噪（上）：时域复用的原理与失效模式 - 下一篇（预告）：【实时光线追踪与混合渲染】（八） ReSTIR 与光照采样：小样本怎么骗过大方差 - 参考资源：SVGF 论文 NVIDIA Research · JCGT vol.15 no.1 à-trous 优化 · NRD GitHub · UE5 TSR 文档

With Best Wishes.