미세면 반사 방정식을 처음부터 유도한다

그래픽스 프로그래밍 글이 미세면(microfacet) 모델의 정반사와 난반사 방정식을 처음부터 유도합니다. 저는 답을 먼저 보여 주기보다 수식 사이의 단계를 드러낸 점이 반갑습니다.

이 자료는 양방향 반사 분포 함수의 기초를 익힌 뒤 관련 연구 논문을 읽으려는 학습 흐름에 놓여 있습니다. 정반사 유도와 굴절 모델 연구까지 함께 제시해, 방정식 공부를 문헌 탐색으로 이어 줍니다.

이 글은 정반사와 난반사에 대한 양방향 반사 분포 함수(BRDF)를 기본 개념부터 유도합니다. 정반사 식에는 프레넬 항(Fresnel term)과 마스킹·섀도잉 함수(masking-shadowing function)가 들어갑니다. 법선 분포 함수(normal distribution function)도 이 식을 이룹니다. 난반사는 미세면별 확산 반사의 적분(integration)으로 나타납니다. 완전한 램버트 확산 표면(Lambertian diffuse surface)의 값이 1/π가 되는 과정도 보여 줍니다.

이 자료는 새 반사 모델을 내놓은 글이 아니라 관련 논문 다섯 편을 바탕으로 유도를 정리한 안내서입니다. 렌더러에서는 난반사 적분을 그대로 풀기보다 근사하거나 표본 추출로 계산합니다. 몬테카를로 시뮬레이션(Monte Carlo simulation)은 여러 입사 방향을 표본 추출하는 방법입니다. 유도 학습에는 도움이 되지만, 구현에서 어떤 계산법을 택할지는 여전히 남습니다.

읽을 때 정반사 식의 세 항을 표시하고, 각 항이 빛의 반사에서 맡는 일을 한 줄씩 적어 보십시오. 난반사 부분은 사용 중인 렌더러의 문서와 대조해, 적분을 근사하는지 몬테카를로 시뮬레이션으로 표본 추출하는지 확인해 보십시오. 두 계산 방식의 차이를 자기 말로 설명할 수 있는지 시험해 보십시오.

정반사 유도와 난반사 적분 가운데 무엇부터 따라가시겠습니까?