Цикл оценки и продолжения
Рендерер сначала получает некоторое число выборок, затем оценивает их разброс. Если ошибка остаётся высокой, область продолжает считаться. Если достаточно низкая, вычисления можно остановить или сократить. Реальные реализации могут работать на уровне пикселей, блоков или более сложных структур.
Обязателен начальный бюджет: по одной случайной удаче невозможно надёжно судить о стабильности. Полезно понимать разницу между минимальным числом выборок, максимальным лимитом и условием качества. Они отвечают на разные вопросы и не заменяют друг друга.
Версия и обработка изображения
Blender Manual 3.5 — архив документации от 23.02.2023; точная версия интерфейса отдельных кадров не указана. Преобразование в WebP без потерь; исходные размеры сохранены; без кадрирования, дорисовки и удаления подписей. Все авторы и источники.
Порог не является универсальной оценкой картинки
Noise threshold зависит от определения ошибки конкретного движка. Одинаковое число в двух программах не обещает одинаковую чистоту. Даже внутри одной реализации результат меняется из-за экспозиции, яркостного диапазона и структуры изображения.
В Cycles 4.2 документированы адаптивное распределение и остановка по порогу. Это пример интерфейса, а не стандарт для всех рендереров. При переносе проекта нужно читать значение параметра в целевой системе и проверять кадр, а не копировать знакомую настройку автоматически.
ПОПРОБУЙТЕ САМИ · МАТЕМАТИЧЕСКАЯ МОДЕЛЬ
Сколько samples нужно для меньшего шума
Слева — синтетическое серое поле с фиксированным рисунком шума. Справа — ожидаемое уменьшение стандартного отклонения среднего.
Формула: σN = σ₁ / √N; N × 4 → σN / 2
Модель независимых samples с конечной одинаковой дисперсией. Поле: линейный уровень 0,5 и гауссов шум σ₁ = 0,25, затем ограничение 0…1 и sRGB. Рисунок шума фиксирован для сравнения амплитуды; это не накопление лучей, не denoising и не измерение времени рендера.
Источники: PBRT: дисперсия оценки Монте-Карло
Редкие события
Если очень яркий вклад встречается редко, первые выборки могут его не увидеть. Тогда оценка дисперсии выглядит обманчиво спокойной. Маленькие источники, тонкая геометрия и сложные каустические цепочки создают особенно требовательные случаи. Более высокий minimum samples иногда помогает, но не заменяет хорошую стратегию выбора света.
Практическая рекомендация: исследуйте подозрительные области отдельно, сравнивая адаптивный расчёт с более длинным контрольным. Если различается сама яркость или форма эффекта, проблема глубже, чем случайное зерно, которое можно скрыть фильтром.
Взаимодействие с denoising
Адаптивность оценивает исходные данные, а denoising восстанавливает изображение из ограниченной информации. Слишком ранняя остановка может оставить денойзеру недостаточно сведений о тонкой детали. Чистый на вид результат тогда теряет надпись, мелкую решётку или структуру волос.
Храните исходную beauty-картинку и вспомогательные passes, когда они доступны. Проверяйте результат на целевом масштабе и в усиленной экспозиции, если планируется композитинг. Один удачный кадр не гарантирует стабильность соседних.
Настройка под задачу
Для preview допустим более грубый порог: важнее быстро оценить свет и композицию. Финальный кадр требует проверки критичных деталей. Максимальный лимит должен позволять сложным зонам дойти до качества, иначе порог остаётся лишь пожеланием, которого они не успевают достигнуть.
Если почти все пиксели упираются в максимум, ищите причину: слишком строгий порог, неэффективное освещение или сложный эффект. Если большая часть останавливается мгновенно, убедитесь, что это действительно простая сцена, а не недостаточно надёжная начальная оценка.
Полезный тест
Разместите рядом однотонную стену, стекло и мелкую блестящую сетку. Посмотрите карту числа выборок, если движок её предоставляет. Сравните распределение с видимым качеством: высокая плотность должна приходиться на реально трудные зоны. Такой тест помогает понять поведение адаптивности лучше, чем универсальное правило «ставить порог ниже» для любого проекта.
Для серии изображений полезно сохранять статистику фактического распределения выборок, если инструмент её предоставляет. Камера с большим ровным фоном может выигрывать от адаптивности иначе, чем полный кадр сложного текстиля. Оцените несколько характерных видов, прежде чем назначать общий preset проекту. Это помогает отличить полезную экономию от ситуации, когда почти все области постоянно упираются в максимальный лимит и ожидаемого преимущества нет.