Show HN: 从零手写 C++ 光线追踪器，未使用 AI

背景

在生成式 AI 和大型语言模型（LLM）深度介入代码生成与软件开发的当下，许多开发者倾向于利用 AI 辅助甚至自动生成复杂的算法实现。然而，Hacker News 上近期展示的一个名为 Luz 的项目却反其道而行之。

Luz 是一个完全从零开始（from scratch）开发的 C++20 路径追踪器（Path Tracer）。其最显著的特征是：零第三方依赖，且在开发过程中未使用任何 AI 辅助工具。该项目不仅展示了底层图形学算法的硬核实现能力，也体现了对计算机图形学底层原理的纯粹追求。该项目基于 MIT 许可证开源，旨在为图形学爱好者、学生以及希望深入理解光线追踪原理的开发者提供一个高质量的参考实现。

核心内容

Luz 是一个功能完备的现代光线追踪渲染器，支持蒙特卡洛路径追踪（Monte Carlo path tracing）和全局光照（Global illumination）。以下是其核心功能与技术细节的详细解读：

1. 渲染核心算法

• 蒙特卡洛路径追踪：采用基于物理的渲染（PBR）方法，通过随机采样模拟光线的传播路径。
• 全局光照：支持间接光照计算，能够真实还原光线在场景中的多次反弹效果。
• 重要性采样（Importance Sampling）：结合概率密度函数（PDFs）进行采样，以提高收敛速度并减少噪声。
• 自适应采样（Adaptive Sampling）：支持逐像素的自适应采样策略。系统会定期检查像素的亮度和 RGB 置信区间，对于变化较小的区域减少采样，对于细节丰富或噪声较大的区域增加采样，从而优化渲染效率。
• 去噪器（Denoiser）：内置基于 NFOR 风格（Normal, Object, Feature, Roughness）的特征缓冲区去噪器，能够在低采样数下提供较干净的图像。

2. 场景与几何支持

• 几何体类型：支持球体、平面、矩形、三角形、立方体、体积以及 OBJ 网格模型。
• 加速结构：采用包围体层次结构（BVH）进行加速，包括打包网格 BVH、基于分箱表面积启发式（binned SAH）的构建算法以及近优先遍历（near-first traversal）。
• 材质系统：支持多种物理材质，包括漫反射（Lambertian）、金属、电介质（Dielectric）、自发光（Emissive）和各向同性材质。
• 光源类型：支持面积光、点光源、球光源和方向光。

3. 后处理与输出

• 光学效果：支持景深（Depth of Field）、抗锯齿、曝光控制、对比度调整、色调映射（Tone Mapping）、伽马校正（Gamma Correction）以及泛光（Bloom）效果。
• 大气模拟：支持大气散射模拟，增强场景的真实感。
• 输出格式：支持 BMP 和 TIFF 格式输出。
• 自定义场景文件：使用自定义的 .luz 格式存储场景，支持通过命令行或场景文件完全自定义渲染参数。

4. 工具链与集成

• Blender 导出器：提供从 Blender 到 Luz 的 Python 脚本导出工具，可将 .blend 文件转换为 .luz 场景文件和 OBJ 网格。
• 构建系统：
  • 主要使用 Makefile（macOS/Linux）或 CMake（跨平台，支持 MSVC 和 MinGW）。
  • 默认启用 -O3 优化、原生 CPU 调优（-march=native）以及链接时优化（LTO），以追求极致性能。
  • 提供确定性基准测试套件，可对比渲染、去噪、后处理及整体评分。
• 平台支持：macOS、Linux、Windows（通过 WSL 或原生构建）。

5. 使用示例

• 构建：make 或 cmake --build build
• 渲染示例场景：

  ./Luz --file examples/scenes/blender_monkey.luz --samples 50 --resolution 300x300
  

• 启用自适应采样与去噪：

  ./Luz --file exports/stormtroopers.luz --samples 4096 --adaptive --adaptive-min-samples 512 --adaptive-check-interval 64 --adaptive-threshold 0.005 --denoise
  

• Blender 导出：

  "/Applications/Blender.app/Contents/MacOS/Blender" -b scene.blend --python tools/blender_export_luz.py -- --output exports/scene.luz
  

关键要点

• 纯手工实现：项目强调“Zero third-party dependencies”（零第三方依赖）和“without AI”（无 AI 辅助），所有核心图形学算法均由开发者手动编写，体现了对底层原理的深刻掌握。
• 高性能优化：
  • 默认构建针对当前机器进行优化（-march=native），但提供了 NATIVE=0 LTO=0 选项以生成更具可移植性的二进制文件，避免在不兼容的 CPU 上出现非法指令崩溃。
  • 支持多线程 CPU 渲染，充分利用多核性能。
• 灵活的采样策略：自适应采样允许用户精细控制渲染质量与时间的平衡。通过设置 --adaptive-threshold 和 --adaptive-min-samples，开发者可以在保证暗部细节不丢失的前提下，避免在平滑区域浪费计算资源。
• 去噪器的局限性：文档明确指出，去噪器并非万能。在极低采样数（如 1 sample/pixel）下，由于缺乏像素方差估计，去噪效果可能不佳甚至平滑掉错误细节。建议预览使用少量采样，评估去噪质量时至少使用 16+ samples/pixel。
• 场景文件解析逻辑：.luz 文件中的对象路径解析遵循特定优先级：首先相对于场景文件本身，其次相对于当前工作目录，最后相对于 assets/objects/ 目录。这种设计提高了场景文件的便携性。
• 致敬经典：项目特别感谢了《Ray Tracing in One Weekend》系列书籍，指出在开发早期（AI 普及前），这些书籍是重要的灵感来源和信息渠道。

意义与影响

Luz 项目的出现具有多重意义：

1. 图形学教育的优质教材：对于希望学习光线追踪、蒙特卡洛积分、BVH 构建以及 PBR 材质实现的学生和开发者而言，Luz 提供了一个干净、无依赖、注释良好的现代 C++ 实现范本。它剥离了引擎框架的复杂性，直击渲染核心。
2. 对“AI 依赖”的反思：在 AI 代码生成工具日益普及的今天，Luz 证明了人类开发者依然能够独立构建复杂、高性能的科学计算软件。它强调了理解底层算法逻辑的重要性，而非仅仅依赖 AI 生成代码。
3. 轻量级渲染解决方案：由于其零依赖和模块化设计，Luz 易于集成到其他项目中，或作为研究新渲染算法（如新的去噪算法或采样策略）的基础平台。
4. 开源社区的贡献：项目遵循 MIT 许可证，允许商业和私人使用，促进了图形学技术的共享与进步。其提供的 Blender 插件也降低了从主流 DCC 工具切换到自定义渲染器的门槛。

总之，Luz 不仅是一个技术展示，更是一种对计算机图形学纯粹性的致敬。它展示了在没有 AI 捷径的情况下，通过扎实的算法功底和工程能力，依然可以构建出功能强大且高效的现代渲染器。