在完成高光反射的 GGX 預過濾后，我們還需要處理環境光的漫反射部分。本階段（Stage 3）將基于 Lambert 分布對環境貼圖進行無權重預過濾，生成用于漫反射計算的環境數據。與高光反射的方向性不同，漫反射是光線在粗糙表面的均勻散射，因此需要用更適合均勻分布的 Lambert 模型進行預過濾。
核心目標
漫反射的核心特性是 “光線在表面向所有方向均勻散射”，其強度僅與光線入射角（與法線的夾角）相關。本階段的目標是：
- 基于 Lambert 分布生成均勻的半球采樣方向；
- 對環境貼圖進行 “無權重平均”（所有方向貢獻均等），得到漫反射環境光的預過濾結果；
- 將結果存儲在環境圖集的指定區域，與之前的高光數據形成完整的 PBR 環境數據集合。
準備工作
- 前置條件：已完成 Stage 1（基礎環境圖集）和 Stage 2（GGX 高光預過濾），獲得包含多級數據的
envAtlas； - 輸入資源：
sourceCube（原始立方體貼圖）、envAtlas（待寫入漫反射數據的圖集）； - 工具依賴：Three.js 環境（
renderer、scene、camera）、SampleGenerator（已實現 Lambert 樣本生成）； - 理論基礎：了解 Lambert 漫反射模型（
diffuse = (albedo / π) * irradiance），其中irradiance是環境光在半球上的平均強度（本階段預計算的核心）。
Lambert 漫反射與無權重預過濾
Lambert 模型描述了理想漫反射表面的反射規律：光線入射后向所有方向均勻散射，反射強度僅與光線與法線的夾角余弦（n·l）成正比。對于環境光的漫反射計算，需要預計算輻照度（Irradiance）—— 即環境光在半球上的平均強度（對所有方向的環境光進行積分）。
與 GGX 高光預過濾的 “加權平均” 不同，Lambert 預過濾是 **“無權重平均”**：所有方向的環境光貢獻均等（僅需考慮方向是否在半球上），因此采樣時不需要按分布權重加權，直接取平均即可。
實現步驟詳解
步驟 1：明確 Stage 3 的圖集存儲區域
漫反射預過濾結果通常只需一個級別（因為漫反射對細節不敏感，低分辨率即可滿足需求）。以 512x512 圖集為例，存儲位置為：
| 用途 | 圖集內位置（x,y） | 分辨率（寬 x 高） | 說明 |
|---|---|---|---|
| 漫反射輻照度 | (128s, 384s) | 64x32 | 位于 Stage 1 和 Stage 2 數據的中間區域，尺寸為 64x32（2:1 等矩形比例） |
s = size / 512：適配不同圖集尺寸（如 512x512 時s=1，256x256 時s=0.5）。
步驟 2：生成 Lambert 樣本
漫反射的均勻特性決定了采樣方向需要在半球上均勻分布，SampleGenerator.generateLambertSamples負責生成這些樣本：
// 生成2048個Lambert樣本（均勻分布在半球上）
const samples = SampleGenerator.generateLambertSamples(2048, sourceTotalPixels);
// 將樣本打包為紋理，供片段著色器解碼
const samplesTex = SampleGenerator.createSampleTexture(samples);
- 樣本內容：每個樣本包含一個均勻分布在半球上的方向向量（
L）和對應的 MIP 級別（控制環境貼圖采樣精度）； - 2048 個樣本：平衡精度與性能（樣本
)
)
