TrueTrace-Unity-Pathtracer v2.6版本重大更新解析:ASVGF与ReSTIR技术深度优化
TrueTrace-Unity-Pathtracer是一款基于Unity引擎的高质量路径追踪渲染解决方案,它通过物理精确的光线追踪技术为Unity项目带来电影级渲染效果。最新发布的v2.6版本带来了多项重大改进,特别是在ASVGF(自适应时空方差引导滤波)和ReSTIR(时空重要性重采样)技术方面实现了质的飞跃。
核心渲染技术优化
ASVGF与ReSTIR联合渲染的突破性进展
v2.6版本对ASVGF和ASVGF+ReSTIR组合渲染管线进行了全面重构。最显著的改进是解决了反射和折射效果中的噪点问题,现在能够生成更加干净的反射和折射效果。开发团队移除了ReSTIRASVGF中大量冗余的纹理和内核,优化了资源使用效率。
在间接阴影处理方面,ASVGF技术获得了显著提升。边缘处理算法也进行了改进,现在会在屏幕边缘产生"涂抹"效果而非之前的"变暗"现象,这种处理方式在视觉上更加自然,减少了人工痕迹。
辐射缓存(RadCache)关键修复
本次更新修复了辐射缓存中导致"异常亮点"现象(画面中出现异常亮点)的重大问题。辐射缓存是TrueTrace实现全局光照的核心组件,这一修复显著提升了渲染稳定性。同时,团队还对辐射缓存缓冲区进行了小型修改,确保其仍然符合DX11的8个RW资源限制,保持了良好的兼容性。
新功能与工作流改进
三角形分割技术集成
在"功能设置"中新增了"三角形分割"选项(由社区贡献者BoyBayKiller提供),这项技术可以优化软件光线追踪(SWRT)的性能表现。三角形分割通过将大三角形细分为更小的单元来提高光线追踪效率,特别是在处理复杂几何体时效果显著。
材质系统增强
材质系统获得多项实用改进:
- 新增了反转alpha纹理的选项
- 为材质配对器添加了emissioncolor和emissionintensity插槽
- 新增了difftrans(漫射透射)的纹理槽位
- 优化了带有fade贴图材质在降噪器中的稳定性处理
- 改进了薄漫射透射材质的处理方式
工作流程方面也进行了优化,现在点击"快速粘贴"按钮时,按住Shift键可以同时加载纹理,不按则只粘贴材质参数,提供了更灵活的操作方式。
着色器定义更新
GlobalDefines.cginc文件新增了多个实用定义:
- MoreAO:提供更高质量的环境光遮蔽效果,取代了原有的"ReSTIRAdditionalAO"定义
- 材质感知ReSTIR:防止ReSTIR在不同材质间产生模糊过渡
- 发射体背面忽略:专门针对发射体材质的背面忽略选项
- 替代fade贴图处理:提供更稳定的降噪器兼容方案
同时,"ClampRoughnessToBounce"定义现在也会影响清漆(clearcoat)材质,有效减少了高光反射中的异常亮点现象。
其他重要改进
- 天空系统交互:优化了主天空、玻璃材质与辐射缓存生成的全局光照之间的交互效果
- TTAdvancedImageGen:新增了相机开关控制功能
- 网格构建:提高了构建过程的稳定性
- 静态处理:"Force Static"选项不再强制将蒙皮网格转为静态
- 调试信息:增加了构建/预处理阶段的详细时间统计功能
TrueTrace-Unity-Pathtracer v2.6版本通过这些全面优化,在渲染质量、性能和用户体验方面都迈上了一个新台阶,特别是为需要高质量反射、折射和全局光照效果的项目提供了更强大的工具支持。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00