图形渲染与 Shader / 系统课时

GPU 时间高在光照的哪一步

GPU 时间高在光照的哪一步

当一帧的 GPU 时间突然升高,只看“光照很贵”没有定位价值。真正需要做的是把一帧拆成 Shadow Pass、Lighting Pass 和后处理等区段,分别测量 GPU 耗时,再结合帧调试器确认哪批 Draw Call、哪些 Render Target 或采样操作造成了成本。

学习目标

  • 能把光照相关 GPU 时间拆成可比较的渲染阶段
  • 能结合 GPU 计时与帧调试定位真正变慢的 Pass
  • 能用重复测量验证优化是否确实降低了 GPU 成本

先把一帧拆成可测量区段

排查时不要直接从某盏灯或某个 Shader 开始猜。先按照实际渲染管线,把与光照相关的 GPU 工作拆成若干具有明确边界的区段,例如 Shadow Pass、GBuffer 或 Forward Opaque、Lighting Pass、Volumetric、Bloom 与 Tone Mapping。

光照相关 GPU Pass 的测量链路

这里的关键是测量 GPU 实际完成工作的时间,而不是 CPU 提交命令的时间。CPU 上一次函数调用只花了 0.1 ms,并不意味着对应渲染工作在 GPU 上也只执行 0.1 ms。GPU timestamp、引擎 GPU Profiler 或图形调试工具里的 GPU Duration 才适合回答这个问题。

例如连续采集若干稳定帧后,可以得到下面这样的数据:

Pass GPU 时间 占帧比例
Shadow Pass 3.8 ms 38%
Lighting Pass 2.6 ms 26%
Post Processing 1.1 ms 11%
其他阶段 2.5 ms 25%

这时首先调查 Shadow Pass,而不是因为 Lighting Pass 名字里带有“Lighting”就默认它最贵。

用重复采样避免被单帧误导

GPU 时间会受到相机内容、动画、缓存命中、动态分辨率和后台任务影响。定位时应固定场景与相机,让角色和灯光状态尽量一致,再采集连续多帧。单个异常帧只能作为线索,不能直接作为结论。

下面的 Python 示例用于整理已经从性能工具中记录的各 Pass 时间,计算平均值和占比。它不负责读取某个特定引擎或调试器的数据,因此不会依赖私有导出格式。

python
from statistics import mean

samples = {
    "Shadow Pass": [3.7, 3.9, 3.8, 3.8, 3.9],
    "Lighting Pass": [2.5, 2.6, 2.7, 2.6, 2.6],
    "Post Processing": [1.0, 1.1, 1.1, 1.2, 1.1],
}

averages = {name: mean(values) for name, values in samples.items()}
total = sum(averages.values())

for name, gpu_ms in sorted(averages.items(), key=lambda item: item[1], reverse=True):
    ratio = gpu_ms / total * 100
    print(f"{name}: {gpu_ms:.2f} ms ({ratio:.1f}%)")

预期输出:

text
Shadow Pass: 3.82 ms (50.6%)
Lighting Pass: 2.60 ms (34.4%)
Post Processing: 1.10 ms (14.6%)

这里统计的是三个被观察阶段之间的相对比例,不代表完整一帧的 GPU 占比。如果场景还有透明物体、粒子、UI 或其他 Pass,应一并纳入总时间。

帧调试要看 Pass 里面发生了什么

确定最贵的 Pass 后,再抓取一帧进行帧调试。Shadow Pass 应重点查看阴影相关 Draw Call 数量、Shadow Map 分辨率、级联数量、渲染的物体数量以及每次绘制的三角形规模;Lighting Pass 则进一步检查全屏或 Tile、Cluster 光照计算、阴影纹理采样次数和高成本材质分支。

排查顺序最好保持从大到小:先找到最贵 Pass,再找其中最贵事件,最后才进入 Shader、纹理和几何体。这样能避免花大量时间优化一个只占 0.1 ms 的 Shader,却忽略一个 4 ms 的阴影阶段。

如果 Shadow Pass Draw Call 数量异常高,可以检查是否有本不需要投射阴影的装饰物、远距离物体或粒子进入了阴影渲染。如果 Lighting Pass 很高,则可以临时关闭阴影、减少动态灯或降低阴影采样质量,观察 GPU 时间是否随之下降,以建立因果关系。

用开关实验确认根因

性能定位必须能被实验重复验证。找到一个可疑因素后,只修改一个变量,例如关闭某组动态阴影、把阴影分辨率减半,或暂时禁用某个后处理效果,然后用同一相机位置重新采集 GPU 时间。

例如原始 Shadow Pass 为 3.8 ms,关闭一盏高分辨率点光源阴影后下降到 2.2 ms,而其他阶段基本不变,就能较有把握地认为这盏灯的阴影成本是主要来源。相反,如果改动后整个 GPU 时间几乎没有变化,就应该撤销假设,继续调查其他阶段。

最终需要留下的是一条可复现证据链:固定测试场景,记录各 Pass GPU 时间,抓取最慢阶段的一帧,定位内部高成本事件,再通过单变量开关实验确认。这样“光照很慢”才能被收敛成一个具体、可修改且可再次验证的问题。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

GPU 时间高在光照的哪一步

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通