Photon mapping: come funziona e dove si usa oggi

Il photon mapping è un algoritmo di illuminazione globale in due passate che Henrik Wann Jensen ha sviluppato tra il 1995 e il 2001. Nella prima passata il motore emette fotoni dalle luci nella scena e salva in una mappa di fotoni il punto in cui cadono; nella seconda traccia raggi dalla camera e stima la luce in ogni punto visibile a partire dai fotoni salvati nelle vicinanze. È noto soprattutto per le caustiche, i disegni nitidi di luce che il vetro e l'acqua concentrano su altre superfici.

Oggi la maggior parte dei motori di produzione si basa sul path tracing, ma il photon mapping si usa ancora, soprattutto per le caustiche. Di seguito: come funzionano le due passate, cosa contiene la mappa di fotoni, perché il metodo è distorto ma consistente, come si confronta con il path tracing, il photon mapping progressivo, quali motori di rendering usano i fotoni oggi e cosa calcolano, e cosa no, i generatori di immagini AI.

Cos'è il photon mapping?

Jensen ha presentato il metodo nel suo articolo del 1996 "Global Illumination using Photon Maps" e lo ha descritto per intero nel libro Realistic Image Synthesis Using Photon Mapping. Come ogni metodo basato sulla fisica, approssima l'equazione di rendering (sezione successiva). Il suo obiettivo è la luce che il campionamento dalla camera trova con lentezza: le caustiche e la luce indiretta che rimbalza tra le superfici, il cuore dell'illuminazione globale.

Passata 1: tracciamento dei fotoni. Dalle sorgenti luminose vengono emessi pacchetti di energia luminosa chiamati fotoni, tracciati attraverso la scena. Quando un fotone colpisce una superficie diffusa, l'impatto viene salvato in una struttura dati spaziale, di solito un KD-tree. Quell'archivio è la mappa di fotoni.

Passata 2: rendering. Si tracciano raggi dalla camera. In ogni punto visibile il motore stima la luce che arriva lì a partire dai fotoni salvati nelle vicinanze (stima di densità), invece di ritracciare ogni percorso di luce durante il render.

Poiché l'energia viene tracciata dalla luce e non cercata solo con il campionamento casuale dalla camera, il metodo cattura bene la luce concentrata. La luce del sole che si rifrange in una facciata vetrata, per esempio, può disegnare motivi nitidi su un pavimento in pietra che un campionamento dalla camera trova molto lentamente. Il prezzo è più memoria e un passaggio di precalcolo prima dell'immagine.

Final gathering (raccolta finale)

La mappa di fotoni non viene quasi mai mostrata direttamente, perché una lettura diretta dà una luce indiretta a chiazze. Il metodo di Jensen divide la luce di un punto visibile in quattro parti: la luce diretta, calcolata con raggi d'ombra verso le luci; la riflessione speculare, calcolata con il ray tracing; le caustiche, lette direttamente da una mappa di fotoni dedicata; e la luce indiretta morbida, stimata con la mappa di fotoni globale. Nell'implementazione di Jensen quest'ultima parte si calcola con un passaggio di final gathering: dal punto di shading si inviano molti raggi nella scena e si legge la mappa di fotoni dove arrivano, il che media le irregolarità della densità dei fotoni. Sulle superfici diffuse, l'irradiance caching può poi riutilizzare quei risultati tra punti vicini.

L'equazione di rendering e il costo della simulazione della luce

Tutte le tecniche di rendering basate sulla fisica approssimano l'equazione di rendering, introdotta nella computer grafica in modo indipendente da David Immel e colleghi e da James Kajiya nel 1986. Descrive la luce che lascia un punto di una superficie come la luce emessa dalla superficie più la luce in arrivo che essa riflette, integrata sull'emisfero sopra il punto.

Ogni termine rappresenta una grandezza fisica precisa:

• Lₒ è la radianza uscente verso l'osservatore

• Lₑ è la radianza emessa dalla superficie

• Lᵢ è la radianza in arrivo dalle altre direzioni

• fᵣ è la funzione di distribuzione della riflettanza bidirezionale (BRDF), che descrive come il materiale risponde alla luce

• ωᵢ · n è il termine coseno, che tiene conto dell'angolo tra la luce in arrivo e la normale della superficie

L'equazione è ricorsiva: la luce che arriva in un punto è la luce che esce da altri punti, che seguono la stessa regola. Il rendering realistico diventa quindi un problema di integrazione ad alta dimensionalità senza soluzione analitica chiusa. I motori di rendering la approssimano con metodi stocastici come il campionamento Monte Carlo, la base del path tracing, oppure con tecniche basate sulla densità come la raccolta dei fotoni.

Il costo cresce in fretta perché:

• Ogni rimbalzo di luce in più moltiplica il numero di percorsi di luce possibili, soprattutto con materiali lucidi o riflettenti.

• I materiali trasparenti richiedono una rifrazione accurata, che rende i percorsi più lunghi e complessi.

• Il rendering basato sulla fisica deve rispettare la conservazione dell'energia, quindi ogni risposta del materiale (BRDF) va valutata con precisione.

• Le caustiche sono percorsi di energia rari ma concentrati che il campionamento casuale trova molto lentamente.

Più la scena è complessa, più cresce, in modo esponenziale, il numero di percorsi di luce possibili, e con esso il tempo di calcolo necessario per una luce pulita e realistica.

Roulette russa nel tracciamento dei fotoni

Durante il tracciamento dei fotoni, ogni impatto su una superficie può riflettere, trasmettere o assorbire energia. Generare un nuovo fotone per ogni evento possibile farebbe crescere il numero di fotoni in modo esponenziale; dopo pochi rimbalzi non sarebbe più calcolabile.

La roulette russa controlla questa crescita come strategia di terminazione probabilistica. Invece di dividere un fotone in più rami, l'algoritmo sceglie a caso un solo esito, riflessione, trasmissione o assorbimento, con probabilità date dalla riflettanza e dalla trasmissione del materiale. Poiché la probabilità di sopravvivenza segue il materiale, un fotone che sopravvive mantiene all'incirca la stessa potenza, e l'energia salvata è corretta in media (in valore atteso).

In questo modo la mappa si riempie di fotoni di potenza simile e si evita che i percorsi profondi con molti rimbalzi si moltiplichino. La roulette russa aggiunge varianza, ma il risultato continua a convergere al crescere del numero di fotoni e il tracciamento resta gestibile.

Cosa viene salvato nella mappa di fotoni?

Non ogni impatto di un fotone viene salvato. I fotoni si registrano solo quando colpiscono superfici diffuse o non speculari. Su uno specchio perfetto o su un vetro ideale un fotone salvato non darebbe informazioni utili di densità, quindi questi eventi si risolvono con il ray tracing deterministico nella passata di rendering.

Per ogni fotone salvato, la mappa di fotoni registra:

• La posizione sulla superficie

• La direzione di arrivo del fotone

• La potenza del fotone (il suo flusso)

Un fotone può essere salvato più volte lungo il suo percorso se colpisce più superfici diffuse. Nel loro insieme, questi record sono i dati che la seconda passata usa per stimare la radianza dalla densità: la mappa di fotoni descrive come l'energia luminosa si distribuisce sulle superfici diffuse della scena, non i riflessi speculari deterministici.

Stimatori distorti e non distorti nell'illuminazione globale

Il photon mapping è uno stimatore distorto: stima la radianza dalla densità dei fotoni entro un raggio di ricerca finito, quindi il risultato dipende dal numero di fotoni e dai parametri di raccolta. Fare la media di molti render con photon mapping della stessa scena non converge alla soluzione esatta dell'equazione di rendering.

È però consistente: con più fotoni il render diventa più accurato e, quando il numero di fotoni tende all'infinito, il risultato si avvicina alla soluzione dell'equazione di rendering.

Il path tracing, invece, è uno stimatore Monte Carlo non distorto: in media (in valore atteso) dà la risposta corretta e, con più campioni, converge alla soluzione vera. Con un numero finito di campioni presenta varianza, che si vede come rumore nell'immagine.

In pratica:

• I metodi distorti come il photon mapping spesso arrivano prima a un risultato pulito negli eventi luminosi rari, al prezzo di un errore di approssimazione, di solito sfocatura, dovuto alla stima di densità.

• I metodi non distorti come il path tracing sono corretti in media, ma con pochi campioni il loro errore si vede come rumore.

Entrambi usano la riduzione della varianza, come l'importance sampling, il campionamento stratificato e il multiple importance sampling, per convergere più in fretta.

Photon mapping e caustiche

Le caustiche sono disegni di luce concentrata che si formano quando la luce viene riflessa o rifratta da materiali speculari e cade su una superficie diffusa: le macchie luminose e nitide proiettate da vetro, acqua e metallo lucidato. Esempi tipici in architettura:

• La luce del sole rifratta dall'acqua di una piscina, che disegna motivi in movimento sul fondo

• Facciate e pareti in vetro che proiettano fasce curve di luce in una stanza

• Lampadari in cristallo e lampade in vetro che diffondono riflessi nitidi e concentrati

Questi effetti nascono da percorsi di luce rari ma visivamente dominanti. Per un path tracer, che parte dalla camera, sono difficili da trovare: un raggio deve rimbalzare sul pavimento e raggiungere per caso la piccola sorgente luminosa attraverso il vetro. I percorsi speculare, diffuso e di nuovo speculare, come una caustica sul fondo di una piscina vista attraverso la superficie dell'acqua o in uno specchio, sono ancora più difficili, e con una luce puntiforme un campionamento dalla camera non può trovarli affatto.

Il photon mapping risolve il problema dall'altro lato. Traccia l'energia dalla sorgente luminosa, attraverso il vetro o l'acqua, e salva il punto in cui cade; nella passata di rendering una mappa di fotoni dedicata alle caustiche restituisce il disegno nitido direttamente con una stima della radianza locale.

I compromessi:

• Più memoria per i fotoni salvati

• Una distorsione che dipende dal raggio di raccolta e dal numero di fotoni

• Più tempo di precalcolo prima del render finale

• Caustiche sfocate o a chiazze quando la densità dei fotoni è troppo bassa

Più mappe di fotoni: mappa globale e mappa delle caustiche

Le implementazioni pratiche di solito creano più di una mappa di fotoni, così che ogni parte della luce venga stimata con la densità di fotoni di cui ha bisogno.

Una mappa di fotoni globale salva i fotoni che formano l'interriflessione diffusa in tutta la scena, come il colore di una parete rossa che si riflette su un soffitto bianco. Una mappa delle caustiche separata salva solo i fotoni che hanno attraversato una superficie speculare o vi sono rimbalzati prima di arrivare a una superficie diffusa. Le caustiche richiedono una densità di fotoni molto più alta per restare nitide, e questa mappa è l'unica fonte di luce caustica del render, quindi riceve molti più fotoni.

Alcune estensioni aggiungono una mappa di fotoni volumetrica per i mezzi partecipanti come fumo, nebbia o vapore acqueo. Anche il metodo originale di Jensen per lo scattering sottosuperficiale nei materiali traslucidi come il marmo usava il photon mapping; per i materiali molto diffondenti oggi i modelli BSSRDF sono la scelta più efficiente.

Dividere i fotoni in mappe specializzate permette alla passata di rendering di stimare ogni componente della luce in modo efficiente e con più controllo sulla qualità.

Quando conviene usare il photon mapping oggi?

Il path tracing domina la maggior parte delle pipeline di produzione, ma il photon mapping resta in vantaggio quando la luce dipende da interazioni rare e ad alta energia, soprattutto caustiche nitide. Poiché traccia prima l'energia dalle luci, raggiunge percorsi a bassa probabilità che il campionamento dalla camera risolve molto lentamente.

È più utile quando la scena comprende:

• Caustiche forti da vetro, acqua o cristallo

• Luce indiretta complessa con molti rimbalzi in spazi chiusi

• Transizioni da speculare a diffuso marcate, in cui un piccolo gruppo di percorsi trasporta gran parte dell'energia

• Illuminazioni in cui trovare i percorsi di luce è più difficile che ridurre il rumore

In questi casi il photon mapping può dare caustiche stabili con meno campioni della camera rispetto al path tracing semplice, purché la memoria in più e il precalcolo siano accettabili. Nei grandi render su GPU con denoising il path tracing resta di solito più scalabile e più semplice da integrare, ed è per questo che la maggior parte dei motori usa i fotoni solo come complemento per le caustiche, se li usa.

Oggi quindi il photon mapping è soprattutto uno strumento per le caustiche, la ricerca e la didattica, e un componente dei metodi ibridi che lo combinano con il path tracing, più che il metodo predefinito per la visualizzazione architettonica.

Quali motori di rendering usano il photon mapping oggi?

A ottobre 2026 i principali motori di rendering sono path tracer, e i fotoni compaiono soprattutto quando si tratta di caustiche. Ecco cosa dicono le pagine dei motori stessi:

Fonti, consultate a ottobre 2026: la pagina delle novità di V-Ray 7 per 3ds Max di Chaos, l'articolo sul solver delle caustiche di Corona di Martin Šik e Jaroslav Křivánek (EGSR 2019), la documentazione del kernel Photon Tracing di OTOY, il formato di file di pbrt-v4, il manuale di Blender sulle caustiche degli oggetti e l'elenco degli integratori di Mitsuba 3. Come si confrontano i due motori di Chaos oltre alle caustiche lo spiega la nostra guida Corona vs V-Ray.

Photon mapping, path tracing e altri metodi di trasporto della luce

Il path tracing resta dominante perché scala bene e funziona in modo efficiente sulle GPU. Diverse tecniche lo estendono o lo combinano con il photon mapping:

• Il path tracing bidirezionale costruisce percorsi di luce sia dalla camera sia dalle sorgenti luminose, aumentando la probabilità di catturare percorsi rari ad alta energia come le caustiche.

• Il Metropolis light transport usa il campionamento con catene di Markov per esplorare i percorsi di luce importanti e concentra lo sforzo dove l'immagine riceve la maggior parte della luce.

• Il vertex connection and merging (VCM), pubblicato nel 2012 insieme all'equivalente unified path sampling (UPS) di Toshiya Hachisuka, Jacopo Pantaleoni e Henrik Wann Jensen, combina path tracing bidirezionale e photon mapping in un unico stimatore, così che ogni percorso venga risolto dal metodo più adatto. Il solver delle caustiche di Corona si basa su un suo sottoinsieme.

• L'importance sampling e le altre tecniche di riduzione della varianza indirizzano i campioni verso le direzioni che trasportano più energia e riducono il rumore senza richiedere proporzionalmente più campioni.

Il rendering spettrale è un progresso di altro tipo: cambia ciò che si simula, la luce per lunghezza d'onda invece di tre canali RGB, così che compaiano effetti come la dispersione, e non la velocità con cui un'immagine converge. Il photon mapping si può estendere anche a questo; vedi la nostra guida al rendering spettrale.

Un confronto semplificato:

Photon mapping progressivo (PPM) e varianti moderne

Il photon mapping standard usa un numero fisso di fotoni e un raggio di raccolta fisso, quindi la sua distorsione dipende da questi parametri. Il photon mapping progressivo (PPM), pubblicato da Toshiya Hachisuka, Shinji Ogaki e Henrik Wann Jensen a SIGGRAPH Asia 2008, supera questo limite con un affinamento iterativo.

Invece di un'unica grande mappa di fotoni, il PPM parte da una passata di ray tracing e poi aggiunge una passata di fotoni dopo l'altra. Dopo ogni passata il raggio di raccolta si riduce mentre il numero di fotoni cresce, così la distorsione diminuisce e la stima converge al risultato corretto man mano che le passate si sommano, senza dover tenere tutti i fotoni in memoria nello stesso momento.

Lavori successivi hanno esteso l'idea:

• Photon mapping progressivo stocastico (SPPM), Hachisuka e Jensen, SIGGRAPH Asia 2009: lo stimatore progressivo per gli effetti distribuiti come profondità di campo, motion blur e riflessi lucidi

• Photon mapping progressivo parallelo su GPU, Hachisuka e Jensen, SIGGRAPH Asia 2010 Technical Sketches

• Unified path sampling (UPS), 2012, che unisce la stima di densità dei fotoni e il path tracing bidirezionale ed è implementato come il VCM

• Metodi ibridi che abbinano i fotoni al path tracing, come fanno gli attuali solver delle caustiche

Gli articoli sono elencati nella pagina delle pubblicazioni di Toshiya Hachisuka, e l'integratore SPPM di pbrt-v4 è un'implementazione aperta da studiare.

Photon mapping, PBR e conservazione dell'energia

Il rendering basato sulla fisica si fonda sulla conservazione dell'energia: una superficie non può riflettere più luce di quanta ne riceve. Usa modelli BRDF fisicamente plausibili, spesso basati sulla teoria delle microfaccette, per descrivere come i materiali rispondono alla luce da angoli diversi.

Il photon mapping e il path tracing lavorano entrambi dentro questo quadro. Calcolano in modo diverso, ma approssimano lo stesso trasporto della luce con gli stessi modelli di materiale, quindi un materiale impostato correttamente si comporta in modo coerente in entrambi. Non sono filosofie diverse, ma due modi di risolvere la stessa equazione fisica.

Photon mapping e generatori di immagini AI

I generatori di immagini AI funzionano in un modo completamente diverso. Un modello di diffusione non traccia fotoni, non salva una mappa di fotoni e non risolve l'equazione di rendering: genera una nuova immagine passo dopo passo a partire dal rumore, guidato da un prompt e, negli strumenti per l'architettura, da un'immagine caricata. Quello che sa della luce, come il sole entra da una finestra o come brilla il vetro, lo ha imparato dalle immagini su cui è stato addestrato. La nostra guida ai modelli di diffusione spiega il processo.

Questo ha due conseguenze. Un generatore può disegnare in fretta luce, riflessi e perfino motivi simili a caustiche convincenti, senza salvare fotoni, senza un numero altissimo di campioni Monte Carlo e senza valutare la luce in modo ricorsivo. Ma nell'immagine niente è calcolato: una caustica in un'immagine AI è un disegno plausibile, non una simulazione, quindi può non rispettare la fisica della luce né la conservazione dell'energia.

I dati simulati fisicamente hanno invece un ruolo in altre parti dell'AI: i denoiser neurali e la ricerca sul rendering neurale imparano da immagini realizzate con il path tracing, e i modelli di illuminazione AI che prevedono valori di luce sono un campo a sé. Per la differenza pratica tra immagini generate al computer e immagini AI, vedi come si differenziano le immagini CGI e AI.

Per questo uno strumento AI è utile prima della fisica, non al suo posto. In ArchiVinci carichi uno screenshot della vista del tuo modello, uno schizzo o una foto (JPG, PNG o WebP, fino a 5 MB) e scegli un pulsante di illuminazione come Luce diurna, Ora d'oro o Crepuscolo nel modulo Esterni o Interni: il rendering AI genera in pochi secondi una nuova immagine che segue il tuo file, così puoi confrontare le atmosfere di luce prima di impostare le caustiche in un motore basato sulla fisica. Il motore predefinito, ArchiVinci 4.0, mantiene la prospettiva e la geometria della tua vista, così ogni atmosfera di luce mostra il tuo progetto.

Crepuscolo dà un imbrunire con le luci accese; per una versione notturna o qualsiasi altra luce puoi cambiare la luce di un render nel modulo Modifica descrivendola in una frase. La luce di queste immagini è disegnata, non simulata: per caustiche precise e verifiche dell'illuminazione lo strumento resta il motore basato sulla fisica.

Perché il photon mapping conta nella visualizzazione architettonica

L'architettura è piena di materiali soggetti alle caustiche: facciate e pareti in vetro, lucernari, piscine e fontane, parapetti in vetro, lampade in cristallo e pietra levigata. In un'immagine finale le caustiche sono spesso il dettaglio che rende reali questi spazi, ed è proprio lì che un path tracer semplice fatica di più. Per questo diversi motori usati nella visualizzazione architettonica aggiungono un solver dedicato alle caustiche, per lo più basati sui fotoni (vedi la tabella sopra), invece di lasciarle al path tracing semplice.

In pratica: attiva le caustiche solo sugli oggetti o sui materiali che ne hanno bisogno (Corona, per esempio, attiva le caustiche rifratte per singolo materiale), provale in una piccola regione di render prima dell'immagine completa e metti in conto tempi di rendering più lunghi. Per il tema più ampio della luce nelle immagini di architettura, vedi la nostra guida al rendering dell'illuminazione.

All'inizio di un progetto conta più la velocità che l'accuratezza fisica, e un'immagine AI veloce basta spesso per scegliere un'atmosfera di luce. Per l'immagine finale o una verifica dell'illuminazione lo strumento resta un motore basato sulla fisica con path tracing, e con i fotoni dove contano le caustiche.

Punti chiave

• L'illuminazione realistica è costosa perché richiede di approssimare l'equazione di rendering, che è ricorsiva.

• Il photon mapping (Henrik Wann Jensen, 1995–2001) traccia i fotoni dalle luci, li salva in una mappa di fotoni e li riutilizza in una seconda passata dalla camera.

• Il suo punto di forza sono le caustiche e la luce indiretta complessa, i percorsi rari che il campionamento casuale dalla camera trova lentamente.

• È distorto ma consistente: più fotoni danno un risultato più accurato. Il path tracing non è distorto, ma è rumoroso con pochi campioni.

• Mappe di fotoni globale e delle caustiche, final gathering e photon mapping progressivo (PPM, SPPM) lo rendono più stabile e accurato.

• A ottobre 2026 i fotoni sopravvivono soprattutto nelle caustiche: il solver delle caustiche di Corona, il kernel Photon Tracing di Octane, le caustiche con i fotoni di V-Ray e l'SPPM di pbrt-v4.

• I generatori di immagini AI non calcolano nulla di tutto questo: disegnano una luce imparata dalle immagini, utile per studiare in fretta le atmosfere di luce, ma non sostituiscono un motore basato sulla fisica.

Provalo in ArchiVinci

Carica uno schizzo, una foto o una vista del modello 3D e descrivi il risultato in una frase: ArchiVinci genera una nuova immagine che segue il tuo file. Un nuovo account parte con 3 crediti gratuiti.

• Renderizza uno schizzo, una foto o una vista 3D: Rendering con l'intelligenza artificiale

• Da una foto o un'immagine: Render fotorealistici con l'AI

Domande frequenti

Chi ha inventato il photon mapping?

Henrik Wann Jensen ha sviluppato il photon mapping tra il 1995 e il 2001. Lo ha presentato nel suo articolo del 1996 "Global Illumination using Photon Maps", e il suo libro Realistic Image Synthesis Using Photon Mapping descrive il metodo per intero. Il photon mapping progressivo è arrivato nel 2008, a opera di Toshiya Hachisuka, Shinji Ogaki e dello stesso Jensen.

Il photon mapping si usa ancora?

Sì, soprattutto per le caustiche. A ottobre 2026 il Fast Caustics Solver di Corona Renderer combina path tracing e photon mapping, OctaneRender ha un kernel Photon Tracing, V-Ray offre caustiche con i fotoni accanto alle nuove quick caustics e pbrt-v4 include il photon mapping progressivo stocastico. Come metodo principale per tutta la luce di una scena, ha in gran parte lasciato il posto al path tracing.

Che differenza c'è tra photon mapping e path tracing?

Il path tracing parte dalla camera e segue percorsi casuali nella scena; non è distorto e il suo errore si vede come rumore. Il photon mapping traccia prima i fotoni dalle luci e li salva, poi stima la luce dai fotoni salvati; è distorto ma consistente e il suo errore si vede come sfocatura. Il photon mapping trova le caustiche con molta più facilità, mentre il path tracing scala meglio sulle GPU.

Blender Cycles usa il photon mapping?

No. Cycles è un path tracer. A ottobre 2026 la sua opzione shadow caustics, basata sulla manifold next event estimation (MNEE), accelera le caustiche rifratte nelle ombre degli oggetti che contrassegni come emettitori e ricevitori di caustiche; non crea una mappa di fotoni.

Qual è la differenza tra radianza e irradianza nel photon mapping?

La radianza è la luce che lascia una superficie in una direzione precisa, mentre l'irradianza è l'energia luminosa totale che arriva su una superficie da tutte le direzioni. La stima di densità dei fotoni parte dalla luce in arrivo che i fotoni rappresentano e, con la BRDF, la trasforma nella radianza vista dalla camera.

Perché i fotoni vengono salvati solo sulle superfici diffuse?

La stima di densità richiede una distribuzione spaziale stabile dell'energia luminosa. Le superfici perfettamente speculari, come gli specchi o il vetro ideale, non producono un andamento di densità utile, quindi queste interazioni si risolvono con il ray tracing deterministico.

Cos'è un KD-tree e perché la mappa di fotoni lo usa?

Un KD-tree è una struttura dati spaziale che organizza punti in uno spazio multidimensionale per ricerche rapide dei vicini più prossimi e per intervallo. Le ricerche dei fotoni avvengono in ogni punto di shading, quindi la loro velocità incide direttamente sul tempo di rendering; Jensen consiglia i KD-tree perché trovano in fretta i fotoni più vicini anche in mappe molto grandi.

Come migliora la ricerca dei k vicini più prossimi l'accuratezza del photon mapping?

Il photon mapping di solito raccoglie i k fotoni più vicini a un punto di shading. Così il raggio di ricerca effettivo si adatta alla densità locale dei fotoni: piccolo dove sono fitti, più ampio dove sono radi, il che migliora la stabilità e riduce gli artefatti di stima.

Cosa causa la sfocatura nei render con photon mapping?

La sfocatura compare quando il raggio di raccolta è troppo grande o la densità dei fotoni è troppo bassa. Poiché la radianza si stima come densità su un'area, i fotoni radi ammorbidiscono i dettagli nitidi della luce, come le caustiche sottili. Più fotoni, un raggio più piccolo o il filtro a cono consigliato da Jensen, che pesa ogni fotone in base alla distanza dal punto di shading, danno risultati più nitidi.

Perché il photon mapping è considerato un algoritmo di illuminazione globale distorto?

Perché stima la radianza dalla densità dei fotoni entro un raggio finito, il che introduce un errore sistematico. È però consistente: con più fotoni e un raggio di raccolta più piccolo il risultato si avvicina alla soluzione dell'equazione di rendering, ed è proprio ciò che il photon mapping progressivo fa in automatico.

I generatori AI calcolano la luce come il photon mapping?

No. Un generatore di immagini basato sulla diffusione non traccia la luce e non risolve l'equazione di rendering; genera un'immagine la cui luce somiglia a ciò che ha imparato dalle immagini di addestramento. Il photon mapping simula e registra esplicitamente le interazioni della luce, mentre un generatore AI ne disegna solo il risultato visivo.

Le immagini generate con l'AI possono mostrare caustiche esatte?

Possono mostrare motivi convincenti simili a caustiche, ma quei motivi sono disegnati, non calcolati: forma e luminosità non sono per forza fisicamente corrette, e non rispettano la conservazione dell'energia. Per una caustica su cui devi poter contare, come la luce del sole che attraversa una facciata vetrata e cade su un pavimento, usa un motore basato sulla fisica con un solver delle caustiche.