最近在知乎上看到一篇文章讲云层的渲染(https://zhuanlan.zhihu.com/p/34836881?utm_medium=social&utm_source=qq)
原文简单的讲了噪声生成云体的办法，以及一个光照模型。
看了之后很感兴趣，加上本科毕设做的就是体渲染，于是打算在unity里山寨一个出来。
原原文（知乎上的文章引用的文章）是2015年地平线黎明时分制作团队的一个talk（http://advances.realtimerendering.com/s2015/The%20Real-time%20Volumetric%20Cloudscapes%20of%20Horizon%20-%20Zero%20Dawn%20-%20ARTR.pdf），讲的更清楚一些。
其中印象最深的是一段视频（https://www.youtube.com/watch?v=FhMni-atg6M）。
这里要说明一下的是，地平线团队制作的这套云层渲染，是服务于游戏中的天气系统的。
游戏中的天气系统会模拟云层的状况（包括分布、密度等）；然后根据这个信息去渲染云层。
上面的视频中演示的是，天气系统模拟的一个下雨的场景（视频左下角有天气系统的输出，可以看到中间的一片雨云），可以看到雨云不断接近到视点，然后开始下雨，临场感非常强。
这篇文章会主要讲讲实现过程中的问题，特别是一些细节，毕竟其他的东西上面都有了，就不再重复了。
先看看实现的效果：
三张图片用了不同的Height Signal和Coverage Texture；其中第三张图是想山寨一下视频里的效果（emmmm感觉不太成功）
原文中分成了四个部分进行说明，包括建模、光照、渲染和优化，这篇文章也会按照这个顺序去说一下各种奇怪的问题。
建模
建模指的是通过噪声去生成云层的3D texture。
原文中有2张3D Texture，一是Worley-Perlin噪声加上三张不同频率的Worley噪声，最后云层建模通过raymarch这张贴图获取一个点上的密度值。
这里就是第一个奇怪的点，为什么会有4张噪声贴图，毕竟raymarch的时候最终只取一个浮点数啊。
想来想去，似乎唯一的可能性就是，4张贴图对应了不同的云的种类。结合下文可以看到，这套系统是可以指定某个位置的渲染的云的种类的。
（最后我只用了一个Worley-Perlin去渲染）
同样，第二张3D Texture中，是3张不同频率的Worley噪声，我也只能理解为是对应不同的云的种类了。
这里要注意的是，生成的噪声必须是tilable的，不然天上的云都是一块一块儿的了。
关于如何生成tilable的Perlin噪声跟Worley噪声，刚好有一篇文章讲了这个：https://lightbulbbox.wordpress.com/2015/11/11/clouds-by-perlin-and-worley/
文章中还配有图片，还是挺好懂的。
到这里，我们的的云的基本形状就完成了。实际去sample的话，会是相当严实的一整块东西（如果worley噪声没有调整过的话），因为在贴图中，大部分地方都是非0的（特别是叠加起来的噪声）。我们可以直接调整采样结果，将低于某个值的采样归0，用一下的式子：
tempResult = saturate((tempResult - _Cutoff) / (1-_Cutoff));
低于_CutOff的值会被裁掉，大于_CutOff的会被重新映射到(0,1]上。
在ppt中，提到了天气系统会提供一张2D的云层覆盖图；可以直接乘上这张图的采样结果，就可以自定义云层的分布了。（嗯，比如在贴图里写一句话，就可以让云显示出这句话了。感觉很low）
到这一步已经有云的样子了，然后是限制云层高度，用一张贴图，叫Height Signal，用采样的高度去采样这种贴图即可。
（这里还需要定义一下云层的起始位置跟上限高度，根据画面需求随意发挥吧）
在用第一张3D Texture取样完毕后，会用第二张3D Texture作为Detaill Texture，去减去一开始的采样。其中特意提到了，只在云层的边缘做这个操作。
我的实现方法是计算一个“边缘值”，表示该点有多接近云边缘，通过以下的式子
float edge = saturate(_DetailMask - lowresSample / _CloudDentisy); //_CloudDentisy是整体的云层密度，lowresSample之前采样时已经乘上了这个值，现在还原回来再计算；其中_DetailMask表示的是，低于_DetailMask的采样被认作是边缘。
然后在减去时将edge值乘上Detail Texture的采样即可。
return saturate(lowresSample - edge * _Detail * sampleResult * _CloudDentisy); 上面这句返回了对lowresSample进行减去操作之后的密度值。
ppt中说用了三张2d的Curl Noise去distort这个detail texture来表现出流动的效果，不是很明白是怎么操作的，等我搞懂了curl noise再来更新。
接下去的部分就是配合天气系统的演示了，这里当然不可能山寨一个天气系统出来，就跳过了。
关于显示不同种类的云，ppt中只有几句话带过了，
个人推测是将不同云的HeightSignal录入，然后根据天气系统的输入，按照某种规则去选择不同的HeightSignal去采样。
天气系统的输入包括（ppt中提到的）云层覆盖率、降水率和云的种类，对应一张2D贴图的rgb通道。
ppt中提到的HeightSignal有三种，分别是Stratus、Cumulus和Cumulonimbus
（要说明的是，这里最主要的渲染对象是低层的云，即Stratus跟Cumulus（还有一个两者的结合体stratocumulus，不用管），和Cumulonimbus）
其中Cumulonimbus只会在大暴雨的情况下出现（即上文视频中的那一大片云）。
结合ppt中提到的，当降雨率大于70%时，不管什么云都会变成Cumulonimbus，这一事实。
可以认为，天气系统输入的云的种类，会控制HeightSignal的采样在Stratus跟Cumulus之间blend。
当降雨率大于70%时，则去采样Cumulonimbus的HeightSignal（当然会跟普通的采样稍微有点blend，不然太怪了）。
这样就实现了不同种类的云的渲染。
光照
光照部分的核心是一个公式
该公式描述了云里面的一个点的能量接收情况（乘上HG之后则是该点的能量传递到视点）（我随便说的，我也不知道.jpg）
d表示的是深度，来自于Beer‘s Law，该公式描述了深度和能量传递的关系；
r是他们自己观察得到的一个效果，名为Powder，指的是从光源方向观察这类物体时，会出现边缘变暗的情况。（但是我复现不出来，最终实现的时候去掉了，emmm）
HG是Henyey–Greenstein公式，描述能量在各向异性物质中传播的规律。有它我们可以表现出，朝着太阳看云时，云的边缘处的发光。具体公式如下（复制自http://www.oceanopticsbook.info/view/scattering/the_henyeygreenstein_phase_function）：
cosΨ是传播角度的cos值，在这里应该是视线跟日光方向的夹角（应该是吧，嗯）
其中g值控制各向异性的规律。当g在(0,1)时，光会倾向向前传播，(-1,0)时则会向后，0则是各向同性。
设置成0.2左右就有比较明显的，边缘发光的效果了。
P是雨云的能量吸收比例。
这里面唯一神秘的量就是d深度了，这是需要我们自己算的，但是没有什么直观的办法。
具体的实现则在下一部分渲染中提到。
渲染
ppt中没有提到渲染实现的细节。我这里简单提一下体渲染在Unity中的实现办法。
首先是模型。不管渲染什么东西，都必须先有个模型（Proxy mesh）。
有两种办法，第一个是用一个模型去罩住你想要渲染的体。这个说法有点奇怪，因为直觉的讲是根据模型的位置去渲染体；但是就比如我们的情况下，云的位置是固定的，我们不希望变动模型的位置、缩放之后云也跟着变了。
这个方法的最大问题是，进入模型内部后，模型被裁切，啥都没了，可以通过开启背面渲染解决，但是总会有负担。
第二种办法是在摄像机前渲染一个矩形片面覆盖住视野。如果对深度不在意的话，应该可以写成后处理效果去实现（后处理效果其实就是渲染个四边形）。
为了方便起见我目前是用的一个巨大的盒子飘在天上emmmm。（所以上面的演示截图3中，远处的云看不到，其实是模型超出frustrum了）
渲染部分提到的第一点是raymarch加速。简单来说就是根据低级采样（第一个贴图采样的结果）的结果去决定步长。
当某次采样采样到的结果等于0时，这一块儿就是没有云的，我们可以保持一个比较大的步长去raymarch。
如果采样到不为0时，我们则切换到一个较小的步长去采样（记得在这之前先倒退一步）。
如果在精细采样期间，连续几次采样到0，则再切换会较大的步长去采样。（还有这种操作.jpg）
第二点是上一部分提到的深度计算。
用了一个看起来乱来，但是效果很好的办法，对着太阳的方向的一个锥形进行6次采样。最后的结果作为深度值。
同时，当一个点的alpha值超过0.3之后，还会切换到一个更加cheap的采样方法作为优化。
后面提了一下中层云的渲染，其实就是普通的贴图；
上面这些做完了之后，ppt中提到，最终的渲染需要20ms才能完成一帧。
我做完之后，实际更惨，需要50ms。
但是稍微修改了一下参数，竟然可以降低到5ms左右。
其中最主要的是改成只用3D贴图的一个通道，帧数立刻暴增。可以推测带宽是最主要的瓶颈。
另外还有一个云的大小的值，用于将贴图分辨率跟实际的云的大小对应。当该值较低时，帧数也会变低。推测是云足够大时，采样的位置在贴图里足够接近，并行化程度较高（纯粹猜的，以前看到过类似的案例）。
优化
优化部分讲的很简单，主要是每次渲染只渲染一个quarter buffer，然后更新最终图像中1/16个像素；上一帧没有的信息直接用低分辨率的顶上。（我目前还没实现，感觉是个技术活）
过段时间再提升一下完成度，我会把整个工程放出来作为参考emmmm。
完
