本章探讨拓扑光子学的基本概念及其在计算机图形学中的应用。我们从光子晶体的带隙理论出发，介绍拓扑保护的边缘态如何实现鲁棒的光传输。通过将这些概念与体积渲染框架结合，我们展示了如何设计具有拓扑保护的渲染算法，以及如何利用拓扑优化改进渲染质量。本章将物理学的深刻洞察与实际的图形学应用相结合，为未来的渲染技术开辟新的方向。
光子晶体是具有周期性介电常数分布的材料，其电磁波传播遵循类似于电子在晶体中的行为。考虑介电常数的周期分布：
$\varepsilon(\mathbf{r}) = \varepsilon(\mathbf{r} + \mathbf{R})$
其中$\mathbf{R}$是任意晶格矢量。Maxwell方程在无源区域：
$\nabla \times \mathbf{E} = i\omega\mathbf{B}$ $\nabla \times \mathbf{H} = -i\omega\varepsilon(\mathbf{r})\mathbf{E}$ $\nabla \cdot (\varepsilon(\mathbf{r})\mathbf{E}) = 0$ $\nabla \cdot \mathbf{H} = 0$
消去$\mathbf{B}$得到主方程：
$\nabla \times \left(\frac{1}{\varepsilon(\mathbf{r})}\right)\nabla \times \mathbf{H} = \left(\frac{\omega}{c}\right)^2\mathbf{H}$
由于$\varepsilon(\mathbf{r})$的周期性，根据Bloch定理，解具有形式：
$\mathbf{H}(\mathbf{r}) = e^{i\mathbf{k}\cdot\mathbf{r}}\mathbf{u}_{\mathbf{k}}(\mathbf{r})$
其中$\mathbf{u}{\mathbf{k}}(\mathbf{r} + \mathbf{R}) = \mathbf{u}{\mathbf{k}}(\mathbf{r})$是周期函数。
将Bloch形式代入主方程：
$(\nabla + i\mathbf{k}) \times \left(\frac{1}{\varepsilon(\mathbf{r})}\right)(\nabla + i\mathbf{k}) \times \mathbf{u}{\mathbf{k}} = \left(\frac{\omega{\mathbf{k}}}{c}\right)^2\mathbf{u}_{\mathbf{k}}$
这定义了每个$\mathbf{k}$的本征值问题，产生离散的频带$\omega_n(\mathbf{k})$。
对于简单的一维光子晶体，介电常数：
$\varepsilon(z) = \begin{cases} \varepsilon_1, & 0 < z < a_1 \ \varepsilon_2, & a_1 < z < a_1 + a_2 \end{cases}$
周期$a = a_1 + a_2$。传输矩阵方法给出带隙条件：
$\cos(ka) = \cos(k_1a_1)\cos(k_2a_2) - \frac{1}{2}\left(\frac{k_1}{k_2} + \frac{k_2}{k_1}\right)\sin(k_1a_1)\sin(k_2a_2)$
| 其中$k_1 = \omega\sqrt{\varepsilon_1}/c, k_2 = \omega\sqrt{\varepsilon_2}/c$。当$ | RHS | > 1$时，出现带隙。 |
对于二维和三维光子晶体，使用平面波展开：
$\mathbf{u}{\mathbf{k}}(\mathbf{r}) = \sum{\mathbf{G}} \mathbf{u}_{\mathbf{k},\mathbf{G}} e^{i\mathbf{G}\cdot\mathbf{r}}$
其中$\mathbf{G}$是倒格矢。本征方程变为矩阵形式：
$\sum_{\mathbf{G}’} M_{\mathbf{G}\mathbf{G}’}(\mathbf{k})\mathbf{u}{\mathbf{k},\mathbf{G}’} = \left(\frac{\omega}{c}\right)^2\mathbf{u}{\mathbf{k},\mathbf{G}}$
矩阵元素： $M_{\mathbf{G}\mathbf{G}’}(\mathbf{k}) = |\mathbf{k} + \mathbf{G}|^2 \varepsilon^{-1}_{\mathbf{G}-\mathbf{G}’}$
光子态密度（PDOS）定义为：
$\rho(\omega) = \frac{1}{V}\sum_n\int_{BZ} \delta(\omega - \omega_n(\mathbf{k}))\frac{d^3\mathbf{k}}{(2\pi)^3}$
在带隙边缘，态密度呈现Van Hove奇点：
| 二维：$\rho(\omega) \propto \log | \omega - \omega_{edge} | $ |
在周期结构中引入缺陷产生局域模式。考虑点缺陷：
$\varepsilon_{defect}(\mathbf{r}) = \varepsilon_{crystal}(\mathbf{r}) + \Delta\varepsilon\cdot\delta(\mathbf{r} - \mathbf{r}_0)$
缺陷态满足： $\nabla \times \left(\frac{1}{\varepsilon_{defect}}\right)\nabla \times \mathbf{H}_d = \left(\frac{\omega_d}{c}\right)^2\mathbf{H}_d$
使用格林函数方法： $\mathbf{H}_d = \mathbf{H}_0 + \Delta\varepsilon\cdot G(\omega_d)\cdot\mathbf{H}_d(\mathbf{r}_0)$
自洽条件给出缺陷频率： $1 = \Delta\varepsilon\cdot G(\mathbf{r}_0, \mathbf{r}_0; \omega_d)$
移除一排柱子形成线缺陷，支持导波模式。色散关系：
$\omega(k_z) = \omega_{defect}(k_z, k_{\perp} = 0)$
群速度： $v_g = \partial\omega/\partial k_z$
在带隙边缘附近，出现慢光效应： $v_g/c \propto (\omega - \omega_{edge})$
慢光因子增强非线性效应和光物质相互作用。
光子晶体波导的急弯处，传统波导会有强烈散射。但在完整带隙中，光被强制沿路径传播。弯曲效率：
| $\eta_{bend} = \frac{ | \int \mathbf{E}{out}^* \cdot \mathbf{E}{in} dA | ^2}{\left(\int | \mathbf{E}_{in} | ^2dA\right) \cdot \left(\int | \mathbf{E}_{out} | ^2dA\right)}$ |
优化弯曲设计通过调整角落的介电常数分布。
将场和介电常数展开为平面波：
$\mathbf{H}(\mathbf{r}) = \sum_{\mathbf{G}} \mathbf{H}{\mathbf{G}} e^{i(\mathbf{k}+\mathbf{G})\cdot\mathbf{r}}$ $\frac{1}{\varepsilon(\mathbf{r})} = \sum{\mathbf{G}} \eta_{\mathbf{G}} e^{i\mathbf{G}\cdot\mathbf{r}}$
本征方程成为： $\sum_{\mathbf{G}’} |\mathbf{k} + \mathbf{G}|\times\eta_{\mathbf{G}-\mathbf{G}’}\times|\mathbf{k} + \mathbf{G}’|\mathbf{H}{\mathbf{G}’} = \left(\frac{\omega}{c}\right)^2\mathbf{H}{\mathbf{G}}$
矩阵大小由截断的平面波数决定。收敛性： $|\omega_{exact} - \omega_N| \le C/N^{2/d}$
离散化Maxwell方程：
$\mathbf{E}^{(n+1/2)} = \mathbf{E}^{(n-1/2)} + (\Delta t/\varepsilon)\nabla\times\mathbf{H}^n$ $\mathbf{H}^{(n+1)} = \mathbf{H}^n - (\Delta t/\mu)\nabla\times\mathbf{E}^{(n+1/2)}$
稳定性条件（CFL条件）： $\Delta t \le \Delta x/(c\sqrt{d})$
完美匹配层（PML）吸收边界： $\sigma(x) = \sigma_{max}(x/L_{PML})^m$
反射系数：$R \approx \exp(-2\sigma_{max}L_{PML}/c)$
弱形式的波动方程：
$\int_{\Omega} \left(\frac{1}{\varepsilon}\right)\nabla\times\mathbf{E}\cdot\nabla\times\mathbf{E}’dV - \left(\frac{\omega}{c}\right)^2\int_{\Omega} \mathbf{E}\cdot\mathbf{E}’dV = 0$
使用边缘元素（Nédélec元素）保证$\nabla\cdot\mathbf{E} = 0$。误差估计： $||\mathbf{E} - \mathbf{E}h||{H(curl)} \le Ch^p||\mathbf{E}||_{H^{p+1}}$
其中$h$是网格尺寸，$p$是多项式阶数。
拓扑光子学的核心是体边对应原理：体材料的拓扑不变量决定了边界上鲁棒传播模式的存在。对于二维系统，关键的拓扑不变量是Chern数：
$C_n = \frac{1}{2\pi}\int_{BZ} \Omega_n(\mathbf{k})d^2\mathbf{k}$
其中Berry曲率： $\Omega_n(\mathbf{k}) = -\text{Im}\langle\partial\mathbf{u}_n/\partial k_x|\partial\mathbf{u}_n/\partial k_y\rangle + c.c.$
对于破缺时间反演对称性的系统（如施加外磁场），非零Chern数保证了手性边缘态的存在。
考虑两个拓扑相不同的光子晶体界面。边缘态的色散关系：
$\omega_{edge}(k_{\parallel}) = \omega_0 + v_{edge}\cdot k_{\parallel}$
其中$k_{\parallel}$是沿界面的波矢。手性由体材料的Chern数差决定： $v_{edge}\cdot\text{sgn}(\Delta C) > 0$
单向传播性质使得边缘态对缺陷和无序免疫。
边缘态的鲁棒性可以通过谱流（spectral flow）定理量化。对于参数化的哈密顿量$H(\lambda)$：
| $SF = \int_0^1 d\lambda \sum_n \langle\psi_n | \partial H/\partial\lambda | \psi_n\rangle\delta(E_n)$ |
谱流等于穿越零能的态数，由拓扑不变量保护。
对于保持时间反演对称性的系统，Chern数必为零。但仍可能存在Z₂拓扑相，用spin-Chern数刻画：
$C_s = (C_{\uparrow} - C_{\downarrow})/2$
其中$\uparrow\downarrow$表示两个时间反演伙伴。界面上出现螺旋边缘态：
| $ | \psi_{edge,k}\rangle = | \uparrow,k\rangle + | \downarrow,-k\rangle$ |
反向散射被时间反演对称性禁止，实现了”拓扑绝缘体”。
在蜂窝晶格光子晶体中，K和K’谷具有相反的拓扑性质。定义谷Chern数：
$C_v = C_K - C_{K’}$
打破空间反演对称性产生谷依赖的拓扑相。谷边缘态：
| $\psi_{valley} = a_K | K\rangle + a_{K’} | K’\rangle$ |
谷间散射被大动量差抑制，提供了另一种鲁棒传输机制。
除了一维边缘态，高阶拓扑绝缘体支持零维角态。对于C₄对称的二维系统，定义四极矩：
$q_{xy} = \frac{1}{2\pi}\int_{BZ} A_x^y dk_x dk_y \pmod 1$
| 其中$A_x^y = i\langle u_n | \partial_x | u_m\rangle\langle u_m | y | u_n\rangle$。非零四极矩导致角态： |
$E_{corner} = E_0\cdot\delta_{q_{xy},1/2}$
这些角态在光子晶体谐振器和激光器中有潜在应用。
实现特定拓扑相的策略：
能带反转： 通过调整结构参数使能带交叉并打开带隙：
$\varepsilon(r) = \varepsilon_0 + \delta\varepsilon\cdot f(r/a)$
其中$f$控制调制深度，临界点发生拓扑相变。
合成维度： 利用其他自由度（如轨道角动量）构造高维拓扑相：
$H_{synthetic} = H_{real} \otimes \mathbb{1}{OAM} + \mathbb{1}{real} \otimes H_{OAM} + V_{coupling}$
破坏时间反演对称性是实现手性边缘态的关键。在磁光材料中，外加磁场导致介电张量的非对称性：
$\hat{\varepsilon} = \begin{pmatrix} \varepsilon_{xx} & i\varepsilon_{xy} & 0 \ -i\varepsilon_{xy} & \varepsilon_{xx} & 0 \ 0 & 0 & \varepsilon_{zz} \end{pmatrix}$
其中$\varepsilon_{xy} \propto B_z$是磁光耦合。这种旋磁性破坏了互易性：
$S_{21} \ne S_{12}$
非互易性的强度由Faraday旋转角量化： $\theta_F = (\omega/2c)\int(n_+ - n_-)dz$
其中$n_{\pm}$是左右圆偏振的折射率。
利用磁光光子晶体的边缘态实现单向传输。考虑YIG（钇铁石榴石）柱子的六角晶格，施加垂直磁场。边缘态的群速度：
$v_g = \partial\omega/\partial k = v_0\cdot\text{sgn}(B)$
反向模式位于带隙中，被指数衰减。隔离度：
| $I = 10\log_{10}( | S_{21} | ^2/ | S_{12} | ^2) \approx 40\alpha L \text{ dB}$ |
其中$\alpha$是反向传播的衰减系数。
手性边缘态的鲁棒性允许设计紧凑的延迟线：
$\tau_{delay} = L_{path}/v_g$
通过蜿蜒路径实现大延迟。与传统波导不同，急弯和缺陷不引起反射：
$R_{defect} < \exp(-\Delta_{gap}/k_BT_{eff})$
其中$\Delta_{gap}$是拓扑带隙，$T_{eff}$是有效”温度”（无序强度）。
在强光场下，考虑Kerr非线性：
| $\varepsilon(\mathbf{r}) = \varepsilon_{linear}(\mathbf{r}) + \chi^{(3)} | \mathbf{E} | ^2$ |
非线性修改了Bloch态，导致功率依赖的拓扑相变。孤子解：
$\mathbf{E}(\mathbf{r},t) = \mathbf{E}_{soliton}(\mathbf{r})\exp(-i\omega_st)$
满足非线性本征方程： $\nabla\times(1/\varepsilon_{NL})\nabla\times\mathbf{E}_s = (\omega_s/c)^2\mathbf{E}_s$
边缘态的非线性自聚焦产生拓扑保护的孤子：
| $\partial A/\partial z + (1/v_g)\partial A/\partial t + i\beta_2\partial^2 A/\partial t^2 + i\gamma | A | ^2A = 0$ |
其中$A$是慢变振幅，$\gamma$是非线性系数。稳定性分析显示拓扑孤子对扰动鲁棒。
利用边缘态的单模特性和鲁棒性设计激光器。增益介质的速率方程：
$\partial N/\partial t = P - N/\tau - \sigma_e NI/\hbar\omega$
其中$N$是反转粒子数，$P$是泵浦，$I$是光强。边缘态提供高Q谐振：
$Q_{edge} = \omega_0/\Delta\omega \approx 10^6$
单向传播抑制了空间烧孔，提高了效率。
通过外部控制实现拓扑相的动态切换：
使用光敏材料，通过光强调控介电常数：
$\varepsilon(\mathbf{r},I) = \varepsilon_0(\mathbf{r}) + \Delta\varepsilon\cdot\tanh(I/I_{sat})$
在临界光强$I_c$，发生拓扑相变。相变的动力学：
$\partial\varepsilon/\partial t = -\varepsilon/\tau_{relax} + f(I_{pump})$
响应时间$\tau_{switch} \approx \tau_{relax}\cdot\log(\Delta\varepsilon/\delta\varepsilon_{threshold})$。
集成液晶或电光材料，通过电压控制拓扑态：
$n_{LC}(V) = n_o + \Delta n\cdot(V/V_{\pi})^2/(1 + (V/V_{\pi})^2)$
设计可重构的光路由器：
开关速度受限于材料响应（液晶~ms，电光~ns）。
通过机械形变改变晶格常数，诱导拓扑相变：
$a(\varepsilon) = a_0(1 + \varepsilon)$
其中$\varepsilon$是应变。临界应变： $\varepsilon_c \approx (\omega_{gap}/\omega_0)^2 - 1$
压电驱动实现精确控制，应用于可调谐滤波器和开关。
将渲染问题表述为变分问题。定义能量泛函：
| $J[\sigma] = | R[\sigma] - I_{obs} | ^2 + \lambda_1\int | \nabla\sigma | ^2dx + \lambda_2\int\sigma\log(\sigma/\sigma_{prior})dx$ |
其中：
Euler-Lagrange方程给出最优性条件： $\delta J/\delta\sigma = 2R^*[R[\sigma] - I_{obs}] - \lambda_1\Delta\sigma + \lambda_2\log(\sigma/\sigma_{prior}) = 0$
为高效计算梯度，引入伴随状态$\lambda(\mathbf{x}, \mathbf{\omega})$满足：
$(\mathbf{\omega}\cdot\nabla + \sigma_t)\lambda = R^*[R[\sigma] - I_{obs}]$
则密度梯度： $\nabla_{\sigma}J = \iint \lambda(\mathbf{x}, \mathbf{\omega})L(\mathbf{x}, \mathbf{\omega})d\mathbf{\omega}dt - \lambda_1\Delta\sigma + \lambda_2\log(\sigma/\sigma_{prior})$
这避免了显式计算Fréchet导数$R’[\sigma]$。
渲染算子的非线性导致$J[\sigma]$非凸。考虑线性化：
$R[\sigma + \delta\sigma] \approx R[\sigma] + R’[\sigma]\delta\sigma$
在当前估计$\sigma_0$附近，凸化的子问题：
| $\min_{\delta\sigma} | R’[\sigma_0]\delta\sigma - (I_{obs} - R[\sigma_0]) | ^2 + \text{reg}(\sigma_0 + \delta\sigma)$ |
这导致了迭代重加权最小二乘（IRLS）类算法。
TV正则化的各种变体：
各向异性TV： $TV_{aniso}(\sigma) = \int|\partial\sigma/\partial x| + |\partial\sigma/\partial y| + |\partial\sigma/\partial z|dx$
各向同性TV： $TV_{iso}(\sigma) = \int||\nabla\sigma||_2dx$
高阶TV： $TV_k(\sigma) = \int||\nabla^k \sigma||_pdx$
对偶表述允许高效求解： $TV(\sigma) = \max_{||\mathbf{p}||_{\infty}\le 1} \int\sigma\nabla\cdot\mathbf{p}dx$
对于某些渲染问题，可以构造凸松弛。考虑可见性问题，定义矩阵：
$\mathbf{V}_{ij} = \text{visibility}(\mathbf{x}_i, \mathbf{x}_j)$
可见性的传递性约束：$V_{ik} \ge V_{ij} + V_{jk} - 1$可以表示为半定约束：
$\begin{pmatrix} 1 & V_{ij} & V_{ik} \ V_{ij} & 1 & V_{jk} \ V_{ik} & V_{jk} & 1 \end{pmatrix} \succeq 0$
这将组合优化问题转化为SDP。
对于多项式优化问题，Lasserre层级提供逐渐收紧的SDP松弛：
$\min p(\mathbf{x}) \quad \text{s.t.} \quad g_i(\mathbf{x}) \ge 0$
第$k$阶松弛： $\min \int p(\mathbf{x})d\mu \quad \text{s.t.} \quad \mathbf{M}k(\mu) \succeq 0, \mathbf{M}{k-\text{deg}(g_i)}(g_i\cdot\mu) \succeq 0$
其中$\mathbf{M}_k(\mu)$是矩量矩阵。对于渲染中的几何重建，这提供了全局优化保证。
对于低秩结构（如光场矩阵），核范数提供凸松弛：
| $\text{rank}(\mathbf{L}) \le r \quad \to \quad | \mathbf{L} | _* \le \sqrt{r} | \mathbf{L} | _F$ |
导致优化问题： $\min ||\mathbf{A}(\mathbf{L}) - \mathbf{b}||^2 + \lambda||\mathbf{L}||_*$
其中$\mathbf{A}$是测量算子。这在光场重建和BRDF估计中有应用。
强对偶性条件（Slater条件）保证：
$p^* = d^*$
其中$p^$是原问题最优值，$d^$是对偶最优值。对偶证书提供最优性验证：
$\exists\mathbf{y} \ge 0: \nabla f(\mathbf{x}^) + \sum_i y_i\nabla g_i(\mathbf{x}^) = 0$
在渲染中，这验证了重建的全局最优性。
使用最优传输距离作为正则化项：
| $J_{OT}[\sigma] = | R[\sigma] - I_{obs} | ^2 + \lambda W_2^2(\sigma, \sigma_{prior})$ |
Wasserstein距离的梯度： $\nabla_{\sigma}W_2^2(\sigma, \sigma_{prior}) = 2(\text{id} - T_{\sigma})$
其中$T_{\sigma}$是最优传输映射。这促进了空间连贯的重建。
1-Wasserstein距离的对偶表述：
| $W_1(\mu, \nu) = \sup_{ | f | _{Lip}\le 1} \int f d(\mu - \nu)$ |
这提供了计算友好的形式。在实践中，使用神经网络参数化Lipschitz函数：
| $f_{\theta}(\mathbf{x}) \text{ with } | \nabla f_{\theta} | _{\infty} \le 1$ |
通过谱归一化或梯度惩罚实现。
Sinkhorn距离提供了平滑近似：
| $W_{\varepsilon}(\mu, \nu) = \inf_{\pi\in\Pi(\mu,\nu)} \int c(\mathbf{x}, \mathbf{y})d\pi + \varepsilon\cdot KL(\pi | \mu\otimes\nu)$ |
导致迭代算法： $\mathbf{u}^{(k+1)} = \mu/(\mathbf{K}\mathbf{v}^{(k)})$ $\mathbf{v}^{(k+1)} = \nu/(\mathbf{K}^T\mathbf{u}^{(k+1)})$
其中$\mathbf{K}_{ij} = \exp(-c(\mathbf{x}_i, \mathbf{x}_j)/\varepsilon)$。
Benamou-Brenier公式将最优传输表述为流体动力学：
| $W_2^2(\mu_0, \mu_1) = \inf_{(\mu_t,\mathbf{v}_t)} \int_0^1\int | \mathbf{v}_t | ^2d\mu_tdt$ |
$\text{s.t.} \quad \partial_t\mu_t + \nabla\cdot(\mu_t\mathbf{v}_t) = 0$
这在时变渲染和形变建模中有应用。
允许质量变化的推广：
| $UOT_{\lambda}(\mu, \nu) = \inf_{\pi} \int cd\pi + \lambda_1 KL(\pi\mathbf{1} | \mu) + \lambda_2 KL(\pi^T\mathbf{1} | \nu)$ |
适用于部分遮挡和不完整观测的场景。
八叉树加速的复杂度分析：
对于非均匀密度分布，自适应结构的效率： $N_{eff} = \int \sigma(\mathbf{x})^{2/3} dx / (\int \sigma(\mathbf{x})dx)^{2/3}$
重要性采样的最优分布： $p_{opt}(t) \propto T(t)\sigma(t)|L_{in}(t)|$
实践中使用分段常数近似，方差减少比： $VRR = \text{Var}[\text{naive}]/\text{Var}[IS] \approx (\sigma_{max}/\sigma_{mean})^2$
体积渲染的并行模式：
负载均衡通过工作窃取实现： $T_{total} = \max_i(T_i) + O(\log P)$
其中$P$是处理器数。
结合不同表示的优势：
$\sigma_{hybrid}(\mathbf{x}) = \sigma_{explicit}(\mathbf{x}) + f_{\theta}(\mathbf{x}) + \sum_i \alpha_i G(\mathbf{x}; \mathbf{\mu}_i, \mathbf{\Sigma}_i)$
其中：
基于信息论的采样密度：
| $\rho_{sample}(\mathbf{x}) \propto | \nabla L(\mathbf{x}) | ^2 + H[p(\mathbf{x})]$ |
其中$H$是局部辐射分布的熵。这导致在边缘和复杂光照区域的密集采样。
从观察图像$I$重建场景参数的贝叶斯框架：
| $p(\theta | I) \propto p(I | \theta)p(\theta)$ |
统一体积渲染方程提供似然函数： $p(I|\theta) = \mathcal{N}(I; R[\sigma_{\theta}], \Sigma_{noise})$
不同表示对应不同的先验$p(\theta)$。
多分辨率策略的误差界： $||L_{coarse} - L_{fine}||{\infty} \le C\cdot h^k\cdot||\partial^k \sigma/\partial x^k||{\infty}$
其中$h$是体素大小，$k$是插值阶数。这指导了LOD系统的设计。
统一体积渲染框架揭示了看似不同的渲染技术背后的共同数学结构：
| 优化框架：变分原理$J[\sigma] = | R[\sigma] - I | ^2 + \text{Reg}[\sigma]$统一了重建算法 |
26.1 证明对于均匀介质$\sigma(\mathbf{x}) = \sigma_0$，体积渲染方程简化为Beer-Lambert定律。计算透射率$T(t)$和最终辐射$L$。
26.2 对于N个等权重的3D高斯，推导体积渲染的计算复杂度。考虑深度排序和视锥剔除。
26.3 证明位置编码$\gamma(\mathbf{x}) = [\sin(2\pi B\mathbf{x}), \cos(2\pi B\mathbf{x})]$使神经网络能够学习带限函数，其中$B$是频率矩阵。
26.4 设计一个自适应采样算法，基于局部辐射场的Fisher信息矩阵。推导采样密度公式并分析收敛性。
26.5 分析混合表示$\sigma = \sigma_{voxel} + f_{neural} + \sum_i\alpha_i\mathcal{G}_i$的优化landscape。证明在某些条件下局部最小值是全局最优。
26.6 推导基于最优传输的多视图一致性正则化。给定$K$个视图的渲染$R_k[\sigma]$，设计保持视图一致的损失函数。
26.7 证明在体积渲染中使用分层采样（stratified sampling）相比均匀采样的方差减少因子。考虑密度场的Lipschitz连续性。
26.8 开放问题：如何将量子计算应用于体积渲染？考虑：(a) 量子采样算法加速蒙特卡洛积分，(b) 量子机器学习用于神经辐射场，(c) 量子优化求解逆渲染。给出可能的量子优势分析。
实现统一渲染框架时，确保：