体渲染中的外观补偿：为何RGB准确无法保证密度正确

体积渲染领域有一个被长期忽略的问题：如果一个体数据能够完美复现每一个外部视角的RGB图像，它内部的密度场就一定正确吗？一项题为《Appearance Compensation in Volume Rendering》的研究给出了否定答案，并从数学上刻画了这种歧义的边界。

问题的核心：外观可以“补偿”密度偏差

在发射-吸收（emission-absorption）渲染模型中，研究者引入了一个独立参数化、物理有界的有效辐射源。这个源的作用在于：当密度发生变化时，它可以通过替换射线其余部分被“移除”的辐射亮度，来维持最终的外部观测结果不变。换言之，外观可以补偿密度的改变。

这意味着，渲染图像的正确性并不能直接证明内部密度场的正确性。研究者用共享的空间外观场来刻画那些在密度变化后仍然“存活”的密度信息——也就是真正能从外部观测中被恢复的部分。

这一视角将体积渲染的可辨识性问题从单纯的图像拟合精度，拓展到了外观容量、空间分辨率与测量设计的联合约束上。

发射-吸收模型是体积渲染中最基础的物理模型，它描述光线沿视线穿过介质时的两个过程：介质自身向外发射辐射（发射项），同时吸收来自后方和自身发出的辐射（吸收项）。在该模型下，最终到达相机的辐射亮度可写成沿射线的积分，密度场同时出现在发射和吸收两项中。正因为密度既控制“发多少光”又控制“挡多少光”，这两个作用之间存在相互补偿的空间：当密度在某段区间被高估或低估时，可以通过调整该区间的发射强度来抵消其对最终像素的影响。这种耦合是外观补偿现象能够成立的物理根源，也是体积渲染可辨识性分析必须从发射-吸收方程出发的原因。

三项核心结果

结果一：最优密度增益与非线性逆系数

在外观补偿框架下，研究者给出了有限阶球谐（spherical-harmonic）源重拟合后的最优“仅密度”增益。他们通过耦合的张量规范（tensor gauge）和物理局域包（localized packets），确定了尖锐的极限非线性逆系数，并证明其最优增益恰为该系数的倒数。

这为理解密度可恢复性提供了一个定量标尺：密度信息能以多高的效率从外观中被“解码”出来，取决于这个非线性逆系数的结构。

球谐函数（Spherical Harmonics，SH） 是定义在球面上的正交函数族，常用于表示方向性分布。在图形学与神经渲染中，环境光照、各向异性发射或视角相关的辐射场通常被展开为不同阶（SH0、SH1、SH2……）的球谐系数。阶数越高，可表达的角度细节越丰富，这一“角度容量”对应文中反复提到的外观表达能力。有限阶球谐意味着方向分布被截断在某个分辨率上，因此源重拟合必须在低维子空间内寻找最优解。理解球谐阶数与空间分辨率之间的权衡，是把握“角度容量增长反而隐藏密度误差”这一反直觉结果的关键：更多方向自由度并不等价于更多可辨识的密度信息。

结果二：角度容量增长反而隐藏密度误差

第二个结果更具反直觉性。研究者证明，对于固定密度下的一组残差各向同性空间源，在每一个固定有限阶上都能实现正增益。但当角度容量（即球谐阶数）不断增大时，一个固定的非零密度误差却被“隐藏”了——它被外观完全吸收，同时系统仍然保持物理性，并满足任意预先指定的有限组光滑性约束。

这意味着局部可辨识性与“无容量一致恢复模量”可以同时存在。增加外观表达能力，并不会自动带来密度恢复能力的提升；在某些条件下，它反而会掩盖密度错误。

结果三：SH2精确歧义的构造

第三个结果给出了一个精确的物理SH2歧义构造：中心密度翻倍，相对密度的L2误差超过14.52%，但每一条外部RGB射线都保持不变。

这是一个非常强的反例。它表明，即使密度场的中心值发生了100%的变化，只要外观参数调整得当，外部观察者完全无法从RGB图像中察觉任何异常。对于依赖RGB渲染精度来验证密度重建的应用而言，这构成了一个根本性的挑战。

SH2歧义指的是在仅使用二阶球谐（SH2）表示外观时构造出的一组解，其中不同的密度场与不同的球谐系数组合产生完全相同的外部RGB射线集合。这里“歧义”是数学上的不可辨识性：给定观测，存在至少两个物理合法的内部配置无法被区分。构造中中心密度翻倍而L2相对误差超过14.52%，说明歧义幅度并不微小，而是足以改变结构层面的密度分布。该反例的价值在于它是精确的（而非数值近似），因此不能被归因于优化不足或落入局部极小，而是模型本身固有的自由度。这对任何以RGB损失为主要监督信号的体积重建方法都构成下界式的困难。

从连续理论到有限表示与采集设计

研究者进一步将这些连续域的结果连接到共享的有限表示、连续像素测量以及密度敏感的采集方案上。

完整类证书（complete-class certificates）可以在一个学习得到的密度上将SH0、SH1和SH2拟合区分开来。有限相机的结果揭示了空间容量的独特作用，而透射测量（transmission measurements）则能够分离在其他情况下完全相同的RGB场。这意味着，单纯依靠RGB图像是不够的，引入透射测量或其它模态的观测可以打破歧义。

控制训练实验和实拍的烟雾剖面为这些机制提供了证据，并附带了明确的观测范围说明。

透射测量是相对于反射式RGB观测的一类成像方式：它记录光线穿过介质后的衰减强度，而非介质向相机方向的散射或发射。在发射-吸收模型下，透射量主要由沿射线的密度积分决定，对发射项不敏感，因此天然携带与密度直接相关的信息。当两个密度场在RGB外观上完全一致时，它们的透射积分通常不同，透射测量便能将二者区分开。文中提到用透射测量分离“在其他情况下完全相同的RGB场”，正是利用了这种对密度而非外观敏感的特性。对神经辐射场与体积重建实践而言，这意味着联合采集RGB与透射（或其它密度敏感模态）数据，是打破外观补偿歧义、约束密度解空间的一条可行路径。

对渲染与重建实践的启示

这项研究传递的核心信息是：渲染精度本身不能证明密度的正确性。密度恢复的质量取决于三个相互耦合的因素——外观容量（球谐阶数等）、空间分辨率以及测量设计。

对于从事神经辐射场、体积重建、烟雾/流体采集等工作的研究者和工程师而言，这意味着在验证密度场质量时，不能仅以RGB渲染的PSNR或SSIM作为唯一标准。需要引入对密度敏感的额外测量手段，或对外观容量施加适当的正则化约束，才能更可靠地约束密度场的解空间。

研究也从侧面说明，为什么在学习-based的体积表示中，共享的有限表示结构与采集方案的设计需要被放在一起考虑，而不是分开优化。