焦散 (光学)

光学中，焦散现象（caustic[1]）是被弯曲的面或物体反射或折射后，出现光线的包络，或包络在另一面上的射影。[2]焦散现象会形成焦散线或焦散面，每条光线都与之相切。[2]如右图所示，可见明显的焦散线。这些形状通常有尖点。

茶杯底部的肾形焦散线

水面造成的焦散线

浅水中的焦散线

装满水的玻璃杯产生的焦散现象

解释

射线经过非平面折射后，在许多光线交叉的地方会形成焦散线。

集中的光线（如阳光）会灼伤人。“焦散”（caustic）一词来自希腊语καυστός“烧焦”，途经拉丁语causticus“燃烧”。

光线照射在酒杯上时，就会出现焦散现象。玻璃杯会投射出阴影，也会产生弯曲的亮区。在理想情况下（包括平行光射入时）会产生肾形光斑。[3][4]光线穿过波浪照射在水体上时，通常会形成波纹状的焦散线。

彩虹是人们熟悉的另一种焦散现象。[5][6]雨滴对光的散射会使不同波长的光折射成半径不同的弧线，从而产生彩虹。

计算机制图

计算机图形学中，大多数现代渲染系统都支持焦散效果，其中有些甚至还支持立体焦散。这是通过光线追踪光束的可能路径，并考虑折射与反射实现的；光子映射是其中一种实现方式。立体焦散也可以由体积路径跟踪实现。一些计算机图形系统采用“正向光追”技术，将光子模拟为来自光源，按照规则在环境中反弹。在有足够光子照射到表面的区域，就会形成焦散，使其比平均区域更亮。“反向光追”则是以相反方式工作，从表面开始，确定是否有通向光源的路径。[7]这里 （页面存档备份，存于互联网档案馆）可见一些三维光追焦散的例子。

大多数计算机图形系统的重点在美学而非物理上精确，这在电脑游戏的实时渲染中尤为明显[8]，游戏中大多使用预先算好的材质。

焦散工程

焦散工程描述的是解决计算机图形学中逆问题的过程。即，在给定图像的前提下，确定折射或反射光形成图像的表面。

在这问题的离散版本中，表面会被分为若干微表面，假定是光滑的，即每片微表面反射/折射的光线形成高斯焦散。这意味着，每个微表面都服从高斯分布。每块微表面的位置与方向由泊松积分与模拟退火相结合的方法得到。[9]

解决连续问题的方法多种多样，如利用运输理论中所谓最优运输（optimal transport）的思想[10]寻找入射光与目标表面之间的映射。获得这种映射后，利用斯涅尔定律反复调整，从而优化表面。[11][12]

基于最优运输的焦散图案设计

基本原理

控制焦散图案是相当具有挑战性的问题，因为表面的微小变化会严重影响图案质量：光线方向在与材料反射/折射时可能会受到其他光线的干扰。这将导致图案离散、不连续。为了解决这个问题，基于最优运输的方法是现有的建议方法之一，它可以在光线穿过某种透明材料表面传播时改变光线方向，从而控制焦散图案。[13][14]给定物体/图案的参考图像，目标是描述光线折射通过的材料表面，并汇聚到参考图像的类似图案。具体方法是重新排列/重新计算初始光强，直到得到优化问题的最小值。

设计管线

这里进考虑折射焦散，对象可按如下方式确定（不同输出的反射焦散也有类似原理）：

输入: 给定光源位置，灯光通过材料传播后获得的图案图像。

输出: 接收面（平坦的固体表面，例如：地板、墙壁等）上的焦散图形。

为实现目标图案，须将光线射向外部环境的表面加工成一定形状，以便在另一面实现所需的图案。

如上述，在输入图像的情况下，该过程将产生类似的焦散图案作为输出。原则上，有两个核心阶段，又分成两个子阶段：

基于最优运输的焦散设计解最优运输问题

计算目标光分布

计算从初始分布到目标分布的映射

优化目标表面

计算表面的法线表示

表面细化

解最优运输问题

在透明表面发生折射的情况下，例如在清澈水面下出现的图案，可以观察到3种主要现象：

非常亮（凝聚光强）的点（所谓奇点）

连接各点的曲线状对象

光强度较低的区域

未进行计算，我们引入以下3个量来描述图案的几何特征：点奇异性

Φ

p

{\displaystyle \Phi _{p}}

（度量某些高度集中的点的光强）、线奇异性

Φ

c

{\displaystyle \Phi _{c}}

（度量某些较亮曲线附近的光强）、辐照度

Φ

I

{\displaystyle \Phi _{I}}

（测量某个光照不集中区域的强度）。把它们放在一起，下面的函数就定义了目标表面上某一部分Ω的总辐射功率

Φ

T

{\displaystyle \Phi _{T}}

：

Φ

T

(

Ω

)

=

∑

i

=

1

N

δ

Φ

p

i

(

Ω

)

+

∑

j

=

1

N

γ

Φ

c

j

(

Ω

)

+

Φ

I

(

Ω

)

{\displaystyle \Phi _{T}(\Omega )=\textstyle \sum _{i=1}^{N_{\delta }}\Phi _{p}^{i}(\Omega )+\sum _{j=1}^{N_{\gamma }}\Phi _{c}^{j}(\Omega )+\Phi _{I}(\Omega )\displaystyle }

这步之后，就有了两个辐射通量测量值，分别是辐射源

Φ

S

{\displaystyle \Phi _{S}}

（由初始化均匀分布）与目标

Φ

T

{\displaystyle \Phi _{T}}

（上一步计算）。剩下要计算的是从源到目标的映射。为此要先定义几个量，首先是两个由概率取值的光强：

μ

S

{\displaystyle \mu _{S}}

（用

Φ

S

{\displaystyle \Phi _{S}}

除以

Φ

S

,

Φ

T

{\displaystyle \Phi _{S},\ \Phi _{T}}

之间联合区域的通量）、

μ

T

{\displaystyle \mu _{T}}

（用

Φ

T

{\displaystyle \Phi _{T}}

除以

Φ

S

,

Φ

T

{\displaystyle \Phi _{S},\ \Phi _{T}}

之间联合区域的通量）。其次，由多个点

s

i

∈

(

Φ

S

∪

Φ

T

)

{\displaystyle s_{i}\in (\Phi _{S}\cup \Phi _{T})}

生成原网格，之后再变形。接着，在这组点

s

i

{\displaystyle s_{i}}

上定义power图

P

w

{\displaystyle P_{w}}

（一组power元

C

i

w

{\displaystyle C_{i}^{w}}

），由权向量

ω

{\displaystyle \omega }

加权。最后，我们的目标是决定要移动哪些power元。考虑面上所有

x

{\displaystyle x}

个顶点，找到以下凸函数的最小值

ω

m

i

n

{\displaystyle \omega _{min}}

，就可得到目标的匹配power图：

f

(

ω

)

=

∑

s

i

∈

S

(

ω

i

.

μ

S

(

C

i

0

)

−

∫

C

i

ω

(

‖

x

−

s

i

‖

2

−

ω

i

)

d

μ

T

(

x

)

)

{\displaystyle f(\omega )=\sum _{s_{i}\in S}(\omega _{i}.\mu _{S}(C_{i}^{0})-\int \limits _{C_{i}^{\omega }}(\|x-s_{i}\|^{2}-\omega _{i})d\mu _{T}(x))}

Remove ads优化目标面

计算过程

在解出最优运输问题后，就得到了顶点。不过，这并没有提供最终表面形状的信息。给定入射光

d

I

{\displaystyle d_{I}}

、出射光

d

O

{\displaystyle d_{O}}

及上一步所得的power图，根据斯涅尔定律可算出曲面法线：

n

=

d

I

+

η

x

‖

d

I

+

η

d

T

‖

=

d

I

+

η

x

‖

d

I

+

η

(

x

R

−

x

)

|

|

x

R

−

x

|

|

‖

{\displaystyle n=d_{I}+{\eta x \over \lVert d_{I}+\eta d_{T}\rVert }=d_{I}+{\eta x \over \lVert d_{I}+\eta {(x_{R}-x) \over ||x_{R}-x||}\rVert }}

其中

η

{\displaystyle \eta }

：折射系数

x

R

{\displaystyle x_{R}}

：解上述最优运输问题所得目标位置

得到法线表示后，通过最小化以下复合能量函数，实现表面细化：

a

r

g

m

a

x

x

ω

⋅

[

E

i

n

t

,

E

d

i

r

,

E

f

l

u

x

,

E

r

e

g

,

E

b

a

r

]

{\displaystyle {\underset {x}{\operatorname {arg\,max} }}\,\omega \,\cdot [E_{int},\,E_{dir},\,E_{flux},\,E_{reg},\,E_{bar}]}

其中

E

i

n

t

=

∑

v

∈

M

T

‖

n

o

−

n

‖

2

2

{\displaystyle E_{int}=\sum _{v\in M_{T}}\lVert n_{o}-n\rVert _{2}^{2}}

是将最优运输所得顶点法线

n

o

{\displaystyle n_{o}}

与斯涅尔定律计算所得目标法线

n

{\displaystyle n}

对齐，所得的积分能量。

E

d

i

r

=

∑

v

∈

M

T

‖

x

−

proj

(

x

S

,

d

I

)

(

x

)

‖

2

2

{\displaystyle E_{dir}=\sum _{v\in M_{T}}\lVert x-{\textbf {proj}}_{(x_{S},\,d_{I})}(x)\rVert _{2}^{2}}

：最优传输所得网格无法适应不连续面的尖点，这一项用于惩罚这种点，使其不会随入射光发生显著变化。

E

f

l

u

x

=

∑

t

∈

M

T

‖

Φ

T

(

t

)

−

Φ

S

(

t

s

)

‖

2

2

{\displaystyle E_{flux}=\sum _{t\in M_{T}}\lVert \Phi _{T}(t)-\Phi _{S}(t_{s})\rVert _{2}^{2}}

是经过网格中三角形

t

{\displaystyle t}

的能量通量。

E

r

e

g

=

‖

L

X

‖

2

2

{\displaystyle E_{reg}=\lVert {\textbf {L}}{\textbf {X}}\rVert _{2}^{2}}

是使三角形形状规则化、保持形状良好的能量。

E

b

a

r

=

∑

v

∈

M

T

‖

m

a

x

(

0

,

−

l

o

g

(

(

1

−

n

R

.

(

x

−

x

R

)

)

+

d

T

H

)

‖

2

{\displaystyle E_{bar}=\sum _{v\in M_{T}}\lVert max(0,-log((1-n_{R}.(x-x_{R}))+d_{TH})\rVert ^{2}}

是屏障能量，用于确保曲面变形不会超过一定距离的阈值

d

T

H

{\displaystyle d_{TH}}

。

Remove ads可变逆渲染焦散图样设计

基本原理

逆图形学是一种观察图像数据、推断所有可能属性（如三维几何、光照、材料与运动）生成逼真图像的方法。[15]传统计算机图形学中，为使图像具有理想的外观和效果，要赋予图像所有相关属性/特征，这可以说是前向方法；而在焦散设计中，物体（尤其材料表面）的性质并不平凡。给定约束条件就是要获得的目标图像。因此，目标是通过观察、推断目标图像，以获得其性质。这可以视作反向方法。

下面是基本损失函数，解释了如何优化参数：

L

(

c

)

=

‖

f

(

c

)

−

I

‖

2

{\displaystyle L(c)=\lVert f(c)-I\rVert ^{2}}

其中

L

(

c

)

{\displaystyle L(c)}

：损失函数，渲染图像与目标的均方误差

c：包含可能影响生成图像的元素

I：目标图像

Remove ads管线设计

可变逆渲染焦散设计

首先，设计目标图案并计算前向传递，得到合成图样。然后与目标图案比较，得到损失。

这是让合成图案尽可能与目标图案相似。然后进行反向传播，以获得焦散制造中所需的优化属性。

生成图像的元素

外观（Appearance，

A

{\displaystyle A}

）：像素表面外观建模为MipMap纹理与像素亮度之积。

几何（Vertices，

V

{\displaystyle V}

）：假定三维场景由三角形近似，参数为顶点

V

{\displaystyle V}

。

摄像机（Camera，

C

{\displaystyle C}

）：焦距、视点、摄像机中心。

还可以有更多元素，如反照率、折射率之类。

一般可变框架

引入U为中间变量，表示2维投影的顶点坐标。这些属性的梯度可从链式法则推导出：

∂

f

∂

V

=

∂

f

∂

U

×

∂

U

∂

V

{\displaystyle {\frac {\partial f}{\partial V}}={\frac {\partial f}{\partial U}}\times {\frac {\partial U}{\partial V}}}

∂

f

∂

V

=

∂

f

∂

A

×

∂

A

∂

V

{\displaystyle {\frac {\partial f}{\partial V}}={\frac {\partial f}{\partial A}}\times {\frac {\partial A}{\partial V}}}

∂

f

∂

C

=

∂

f

∂

U

×

∂

U

∂

C

{\displaystyle {\frac {\partial f}{\partial C}}={\frac {\partial f}{\partial U}}\times {\frac {\partial U}{\partial C}}}

应用随机梯度下降后，可得最优的

A

,

V

,

C

{\displaystyle A,\ V,\ C}

。随后，这些量将用于雕刻或铣削材料，以生成目标图案。

方法

一种常见方法是利用各种深度学习自动微分框架/库（如TensorFlow、PyTorch、Theano）中执行微分运算的能力。

还有一种方法是用OpenDR[16]框架建立前向图形模型，并自动获取模型参数的导数，以进行优化。在获得优化属性后，就可以生成目标图像。OpenDR提供的局部优化方法可纳入概率编程框架，可以解决焦散问题。

制造

设计与制造过程

计算设计出焦散图样后，处理过的数据将用作机械加工。

根据所需质量、制造所需工作量和可用的制造方法，可以用各种材料。

常见折射材料：亚克力、聚碳酸酯、聚乙烯、玻璃、钻石

常见反射材料：钢、铁、铝、金、银、钛、镍

Architecture

焦散图样设计有很多应用，如

灯具

珠宝

建筑

装饰玻璃生产

另见

焦点

模糊圈

焦散 (数学)

参考文献Loading content...阅读更多Loading content...