UE5 烟雾模拟深度解析：从 Stable Fluids 到实时体积渲染¶

加入 UE5 技术交流群¶

如果您对虚幻引擎5的图形渲染技术感兴趣，欢迎加入我们的 UE5 技术交流群！

扫描上方二维码添加个人微信 wlxklyh，备注"UE5技术交流"，我会拉您进群。

在技术交流群中，您可以： - 与其他UE开发者交流渲染技术经验 - 获取最新的GDC技术分享和解读 - 讨论图形编程、性能优化、构建工具流、动画系统等话题 - 分享引擎架构、基建工具等项目经验和技术难题

源视频信息 - 视频标题: [UFSH2025]在UE5中执行烟雾的可视化模拟 | Angelou.lv 腾讯生态发展部 技术美术 - 视频链接: https://www.bilibili.com/video/BV1C5sKzeEnD - 视频时长: 约42分钟 - AI生成说明: 本文基于AI技术对视频内容进行整理和深度解析，结合截图进行图文并茂的呈现。

导读摘要

• 本文深入解析如何在 UE5 中实现实时流体模拟，涵盖 Stable Fluids 算法原理、多种压力求解器对比以及体积渲染优化策略
• 核心技术路线：基于 GPU 的 Euler 网格法 + 红黑 Gauss-Seidel 压力求解 + 分离式体积渲染
• 前置知识：基础微分方程、GPU 计算着色器、UE 渲染管线基础

一、背景与技术演进¶

1.1 Single Volume 插件生态¶

从 2023 年开始，腾讯生态发展部技术美术团队持续在 UE5 体积渲染领域深耕，形成了完整的插件矩阵：

• Single Volume 第一代（2023）：支持各种形状云的渲染
• Single Volume 第二代（2024）：采用全新的体素渲染方式，支持云雾烟火的渲染
• Ultra Stable Fluids：互动式流体模拟插件
• Torch4VDB：OpenVDB 流程工具，连接影视级数据结构与游戏引擎

这三个插件覆盖了**互动式流体模拟**、云雾烟火渲染**以及**内容生产和跨平台支持（PC、PlayStation），且全部免费开源。

每个插件都配有对应的蓝皮书（用户手册和技术手册），类似虚幻引擎官方的文档形式。

1.2 效果展示¶

上图展示的效果是使用 Ultra Stable Fluids 进行流体模拟，再加上 Single Volume 实现的体积渲染所呈现的案例。

二、物理数学方案选型¶

2.1 Navier-Stokes 方程求解方法对比¶

求解 Navier-Stokes 方程有三个主要角度：

方案 A：微观角度 - SPH（光滑粒子流体动力学） - 优势：适合模拟液体飞溅、破碎等效果 - 劣势：粒子数量大时计算开销高，需要邻居搜索 - 适用场景：液体模拟、水花效果

方案 B：介观角度 - LBM（格子玻尔兹曼方法） - 优势：易于并行化，边界处理灵活 - 劣势：内存占用大，对于气体模拟可能过于复杂 - 适用场景：复杂边界条件的流体模拟

方案 C：宏观角度 - Stable Fluids - 优势：稳定性好，适合 GPU 并行，计算效率高 - 劣势：数值粘性较大，细节可能不够丰富 - 适用场景：烟雾、火焰等气体效果

由于目标明确是**烟雾模拟**，而非液体（Liquid）或 SARS 类型模拟，因此选择了 Stable Fluids 方案，这也是插件名称 Ultra Stable Fluids 的由来。

2.2 Stable Fluids 核心方程¶

在 Stable Fluids 框架下，需要求解两个核心方程：

第一个方程：NS 方程（速度场求解）

这里省略了粘性项（扩散项），因为对于烟雾这种介质，省略粘度求解从效果上来讲差别不大。最终得到一个**无散速度场**。

第二个方程：物质平流方程（密度场求解）

用刚刚算到的速度场来平流物质场： - 可以是**温度**（如果做火焰） - 可以是**密度**（体积渲染）

同样省略了耗散项和扩散项，只剩下两项。

2.3 求解步骤分解¶

整个求解思路清晰：

1. 求解外力 → 得到中间速度 W1
2. 平流 → 得到 W2
3. 扩散（已省略）
4. 投影 → 把不确定是否无散的速度场投影到确定无散的速度场上
5. NS 方程求解完毕
6. 计算物质平流

三、压力投影与泊松方程¶

3.1 Helmholtz-Hodge 分解¶

理解投影过程需要用到 **Helmholtz-Hodge 分解**定理：

任何一个足够光滑的向量场都能够分解成一个**旋量向量场**（无散）和一个**保守场**（势场的梯度）的和。

数学表达：

W = U + ∇P

其中： - W：中间速度场（可能有散度） - U：无散速度场（我们需要的） - P：压强场

因为 U 是无散的，对两边求散度：

∇·W = ∇·U + ∇²P = 0 + ∇²P

得到 泊松方程：

∇²P = ∇·W

3.2 泊松方程的求解¶

泊松方程的求解分为两个部分：

正向（投影）：已知压强场，减去压强场的梯度，把速度场投射到无散场上。

逆向（求压强）：用速度场的散度去求压力场。

这里涉及到： - 散度求解 - 拉普拉斯算子

3.3 离散化与线性方程组¶

求解泊松方程实际上就是求解一个**线性方程组** Ax = b 的形式。

如果在 A4 纸的尺度上画一个 3×3 的网格，你就能够得到上图所示的数学公式。左边是一个周期性边界条件的 2D 拉普拉斯算子矩阵。

但如果是常见的纹理大小（如 256×256），计算规模会非常恐怖。如果是 3D 流体模拟，那就是 256³ 的规模。

核心问题：如何高效地求解泊松方程？这是任何流体模拟都要解决的关键点。

四、压力求解器对比分析¶

4.1 Jacobi 迭代¶

实现方式：把泊松方程两边移项，得到迭代公式。代码和左边的公式一一对应。

特点： - 非常简单，适合 GPU 并行 - 需要很多次迭代才能收敛 - 需要双缓冲内存（Ping-Pong 交换）

4.2 Red-Black Gauss-Seidel¶

背景：最早的 Gauss-Seidel 是在 CPU 上实现的，存在串行问题导致并行被打断。

Red-Black 改进：通过棋盘式（红黑）的更新模式，交错更新，解决了并行问题。

最典型特征：只使用一张纹理（更省内存），意味着性能更好。

4.3 迭代次数对效果的影响¶

对比 25 次迭代到 3 次迭代的效果：

1. 随着迭代次数降低：场会更快进入静止，更快耗散掉
2. 频率信号不同：迭代不够时，压强无法保证整个系统无散

经验值：对于游戏应用，大约 5 次迭代 就已经差不多了。

4.4 多重网格法（Multigrid）¶

核心思想：在有限次迭代的前提下，更好地处理不同频率的细节。

七步原型（可优化为五个 Pass）：

1. Pre-Smoothing：在精细网格上进行少量松弛迭代，收敛高频误差
2. 计算残差
3. Restriction：把残差投射到更粗糙的网格上（低频变高频）
4. 粗网格迭代：在粗网格上迭代修正项
5. Prolongation（延展）：插值回精细网格
6. Post-Smoothing：消除插值引入的新高频信号
7. 得到结果

实现优化：红色部分是压力求解器，黄色部分是算子，可以把黄色部分合并成一个管线，最终只需要 5 个 Pass。

可以配置迭代深度，但实际上只做了两层（全分辨率 + 半分辨率）就足够了。

4.5 泊松滤波（预计算卷积核）¶

核心观点：压力求解器本质上是对散度的处理，这个过程和图像卷积类似。

思路： - 把 Jacobi 的迭代过程预计算，递推展开 - 最终得到迭代结果和周围散度的权重关系（卷积核） - 运行时只需要进行一次采样

优势：压力求解器的性能取决于卷积核的大小（即迭代次数），而非实际迭代。

4.6 性能对比¶

2D 对比： - 5 次 Jacobi 迭代 ≈ 1 次 2D 泊松滤波（效果一致） - 泊松滤波性能更好约 0.03ms

3D 对比： - 5 次 3D Jacobi：6ms - Multigrid (1-2-1)：4.14ms - Multigrid (2-1-2)：~5ms - Red-Black Gauss-Seidel：3.84ms - 泊松滤波：1.23ms（等效 32 次 Jacobi 迭代）

性能结论：泊松滤波在 3D 模拟中性能最优，1.23ms 实现了等效 32 次 Jacobi 迭代的效果。配合 2ms 左右的体积渲染，4ms 的总预算在游戏中是可以接受的。

五、UE5 实现架构¶

5.1 程序分层设计¶

按照现行的思路，程序分为三层：

第一层：Operator（算子） - 代表某种数学操作或流场结构 - 例：散度（∇·）、梯度（∇）、拉普拉斯算子（∇²）、平流

第二层：Solver（求解器） - 主动求解的数值过程 - 求解线性方程组 - 复杂求解器可以由简单算子和基础求解器串联而成（如 Multigrid）

第三层：Simulator（模拟器） - 所有算子、求解器、逻辑代码和辅助程序 - 最终组成 StableFluids2D 或 StableFluids3D

5.2 计算着色器类设计¶

设计思路： - 给每一个算子和求解器设定一个计算着色器类 - 所有算子基于同一个公共基类派生 - 所有求解器也基于同一个公共基类派生

基类处理的通用逻辑： - 线程组配置 - 边界条件 - 编译环境设置

子类职责： - 设置着色器参数结构 - 每个着色器配有一个 Dispatch 方法 - 将计算着色器管线添加到执行图中

5.3 模拟管线流程¶

2D 模拟流程： 1. 涡力生成计算 2. 平流 3. 散度计算 4. 压力求解 5. 投影 6. 混入当前帧的场 7. 碰撞的绘制场 8. 完成下次循环

5.4 使用 EnqueueRenderCommand 的灵活实现¶

传统方式：Component → Scene Proxy → Scene Info → 渲染线程管线（代码量大）

灵活实现：直接在 Component 层通过 EnqueueRenderCommand 和小型 RDG Builder 完成： - 资源注册 - 计算着色器管线添加 - Memory Barrier 转换 - 显式调用 Execute

好处： - 代码全部放到 Component 层 - 只需在 Enqueue 之前显式拷贝内存 - 保证逻辑线程和渲染线程的数据独立性

注意事项：需要更严谨地注意内存独立性和线程间数据传递。

5.5 3D 模拟特殊处理：障碍物¶

对于 3D 烟雾模拟，如果有角色穿过，需要处理**障碍物**（Obstacle）：

1. 计算障碍物的 Mask 和 Velocity
2. 在求散、求压力、投影过程中判断邻域信息来源
3. 区分物理场数据和固态网格数据

3D 模拟管线： 1. 计算障碍物 Mask 和 Velocity 2. 计算外力 3. 平流 4. 求散度 5. 计算压力 6. 投影得到无散速度场 7. 平流密度

5.6 调试工具¶

2D 调试：Texture Memory Visualizer，可视化各个 RT 的数据。

3D 调试：独立的小型渲染器，通过 Raymarching Demo 可视化 3D 物理场。

六、交互系统设计¶

6.1 2D 交互：射线检测¶

为什么选择射线检测而非简单交囊体： - 射线检测可以直接定位到骨骼网格体的每一个 Socket 上 - Socket 的活动范围与美术绑定的蒙皮活动范围相关 - 能够保证较高的交互精度上限

实现细节： - 定义射线源（射线机视角或上帝视角） - 调用 UE 的射线检测库 - 获取 FHitResult 结构 - 使用 FindCollisionUV 函数得到 0-1 的 2D UV 数据 - 用于 Simulation Space 的采样

注意：FindCollisionUV 只能用于三角形面（平面），不能用于 Collision。

6.2 3D 交互：两种方案¶

方案 A：GPU Stance（光栅化管线） - 通过光栅化管线算出 Mask - 通过 Geometry Pass 插值出速度 - 参考 2024 年 Unreal Circle 上的 AddDynamicMeshPass 方法 - 要求网格是**水密的**，且可能需要配置简化代理网格

方案 B：体素化 + Scene Capture - 对模拟区域或角色包围盒进行体素化 - 通过两个 Scene Capture 分别捕获 Mask 和 Motion Vector - 使用 3D 跳洪算法 生成网格距离场

七、体积渲染技术¶

7.1 Single Volume 第二代架构¶

流体求解器最终输出一个**平流密度场的 RenderTarget**，渲染由 Single Volume 插件实现。

Single Volume 第二代统一了各个体积介质： - 云 - 烟雾 - 火焰

允许对 Raymarching 过程进行局部定制（如黑洞等特殊用例）。

7.2 引擎渲染管线扩展¶

Single Volume 通过 Scene Volume 的 Scene Intent 扩展引擎内部的延迟渲染器。

可复写的虚函数位置（黄色部分）： - Base Pass 之后、Translucent Scene 之前 - Translucent Scene 之后、Post Process 之前

通过 FPostOPakParameters 结构可以拿到场景的 Texture、Global Distance Field、Scene Volume Info 等数据。

7.3 Raymarching 设计哲学¶

不管是 Raymarching、光线追踪还是其他方式，核心讨论三个问题：

1. 光线路径和上下文描述
2. 距离采样和透射率估计
3. 内散射、吸收和发射模型构建

7.4 两种 Raymarching 方式对比¶

方式 A（传统）：已知步进距离 ÷ 循环次数 = 单次步进步幅

方式 B（推荐）：已知步进步幅 → 求得循环次数

为什么方式 B 更灵活：

涉及到 Nyquist 采样频率 概念——保证结构精度的频率极限。

• 如果单个 Voxel 的对角长度作为 Nyquist 频率
• 单次步进小于等于该值时，每次步进都能采样到对应 Voxel 的数据
• 可以认为密度场的构建是 Unbias 的

调大步幅可以牺牲细节换取性能，方式 B 提供了这种灵活性。

7.5 分离式渲染优化¶

回看体积渲染方程，可以总结四个规律：

1. 内散射计算可以从主积分中抽离
2. 内散射和透射场可以分离
3. 可以把积分过程拆开（单重积分比双重积分快）
4. 烟雾颗粒弥散到包围盒内，允许坐标系灵活设计

优化方案：引入低频 Lighting Voxel Grid

• 比原本密度的 Grid 更粗糙
• 光照频率实际上比结构更低频，可以接受
• 只需两个 Pass，每个 Pass 执行单次积分
• 比一次完成双重/三重积分快很多

7.6 三种渲染模式¶

模式 1：分离内散射场 - 先执行内散射估计，再执行距离采样 - 多光源性能最好 - 适合烟雾远景渲染（穿过烟雾的视角）

模式 2：分离透射场 - 允许使用方向散射（米氏散射、瑞利散射等） - 保留 Silver Lighting Feature（云的边缘光效果） - 适合地面视角看天上的云

模式 3：直接对 RT 积分 - 边采样边积分 - 最简单直接

7.7 2.5D 体积渲染¶

对于 2D 模拟，密度场是 2D 的，但渲染需要做挤出得到 2.5D 效果。

具体挤出算法没有标准，取决于 TA 对流体模拟的理解和视觉表达的把握。

3D 模拟则直接渲染 3D 密度场。

八、性能数据与实战对比¶

8.1 案例性能数据¶

在测试案例中： - 流体求解：~0.2ms（2D）或 ~1.23ms（3D 泊松滤波） - 体积渲染：~2ms - 总计：~4ms 预算在游戏中可接受

8.2 与 Fluid Ninja 的对比¶

Fluid Ninja（另一款流体模拟插件）： - 全部用蓝图实现 - 开发者是完美主义者，能用蓝图绝不用 C++

Ultra Stable Fluids： - 全部用 C++ 和计算着色器 - 设计上更优雅 - 关键优势：支持 3D 模拟和 3D 渲染

上图展示了点源注入 + 3D 泊松滤波 + 体积渲染的效果。

8.3 多光源支持¶

可以给插件增加小型灯光剔除器： - 参考引擎内部机制 - 数据结构更精简 - 专门为体积介质设计剔除和衰减 - 支持定向光、点光（球形衰减）、聚光灯（内外扩散角） - 可通过曲线控制衰减模式

九、彩蛋：神经网络多散射¶

9.1 传统多散射的挑战¶

体积渲染中，多散射（Multiple Scattering）是实现高品质效果的关键： - 更好的效果 - 更高频的阴影细节 - 但意味着更高的计算开销

传统方案来自迪士尼动画工作室和索尼图形图像，特点是不仅能用于云，也能用于烟雾/火焰的多散射模拟。

9.2 神经网络方案¶

核心思路：把原本模式化的多阶散射过程通过**深度神经网络**替换，直接对最终颜色进行拟合。

实时效果：512 阶散射在虚幻引擎内的实时表现，光源是动态变化的。

性能提升： - 原本离线渲染：10+ 小时/帧 - 神经网络推理：几毫秒（消费级显卡）

9.3 技术路线与展望¶

当前差距： - AO（环境光遮蔽） - 环境光

设计目标： - 不受芯片限制（NVIDIA、AMD 都能跑） - 神经推理和散射估算全部用计算着色器实现

性能指标： - ¼ 分辨率渲染 + 上采样 + 时序混合 - 控制在 4ms 以内

展望：如果进展顺利，明年可能会分享具体实现细节。

十、总结与最佳实践¶

10.1 技术选型建议¶

适合使用 Ultra Stable Fluids 的场景： - 实时游戏中的烟雾、火焰效果 - 需要角色/物体与烟雾交互 - 对性能有严格要求（4ms 预算内）

不适合的场景： - 需要精确液体模拟（飞溅、水面） - 离线影视级渲染

10.2 性能优化清单¶

1. 压力求解器选择：优先使用泊松滤波，其次是 Red-Black Gauss-Seidel
2. 迭代次数：游戏应用 5 次足够，追求效果可增加
3. 体积渲染：使用分离式渲染，根据场景选择合适模式
4. 分辨率：考虑 ¼ 分辨率 + 上采样
5. 网格大小：根据实际需求选择 64³ ~ 256³

10.3 避坑指南¶

1. 内存管理：注意逻辑线程和渲染线程的数据独立性
2. 边界条件：周期边界 vs 实体边界的选择
3. 障碍物处理：3D 模拟中确保 Mask 和 Velocity 正确计算
4. 调试工具：善用 Texture Memory Visualizer 和 3D 物理场可视化工具
5. 交互精度：射线检测只能用于三角形面，不能用于 Collision

参考资源¶

• Single Volume 插件：[GitHub/虚幻商城]
• Ultra Stable Fluids 插件：[GitHub/虚幻商城]
• Torch4VDB：OpenVDB 流程工具
• 技术白皮书：各插件配套蓝皮书
• 原始视频：https://www.bilibili.com/video/BV1C5sKzeEnD

谢谢大家！

如果进展顺利，明年再见，届时将分享神经网络多散射的具体实现细节。