Banner

现代实时 GI 技术全景

发布于 2026-01-08 · 更新于2026-04-30 2:06阅读
实时光追GIDDGIReSTIRUE5 LumenUnity APVRenderPipline

笔记持续更新中

一、 导论：为什么实时 GI 如此艰难？

1.1 渲染方程：一切的起点

Kajiya 1986 年提出的渲染方程定义了所有 GI 技术必须近似的物理目标：

其中：

  • 是从点 沿方向 出射的辐射度
  • 是该点的自发光项
  • 是 BRDF
  • 是入射辐射度——这里是 GI 的难点：它本身又是某个其他点的

这意味着求解严格的 需要递归地积分整个场景，理论上是无穷次反弹的积分嵌套，是一个 Fredholm 第二类积分方程。

1.2 实时渲染的帧预算悖论

在 60 fps 下，每帧只有 16.67 ms。如果按照 1080p × 4 SPP 的路径追踪估算：

即使在 RTX 4090 上，也只能勉强支撑这个量级。整个行业的 GI 发展史，本质上就是在固定预算下，用各种巧妙的近似与时空复用，逼近无穷次弹射真值的过程。

GI 技术演进时间轴
点击或悬浮时间节点查看技术详情，感受算力与算法的博弈
请选择上方的时间节点

二、 屏幕空间时代的妥协：SSGI

Screen Space Global Illumination 是最”廉价”的 GI 近似，同时也是最常被误用的技术之一。

SSGI 效果示意：屏幕空间的漫反射近似与接触阴影

上图展示了屏幕空间 GI 对接触遮蔽和短程漫反射的改善效果。

2.1 核心机制

在深度缓冲与颜色缓冲已有的前提下，对每个像素做屏幕空间 Ray March，把命中像素作为”代理光源”：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
// 简化版 SSGI 核心循环
half3 SSGI_Trace(float2 uv, float3 viewPos, float3 normal)
{
    half3 indirect = 0;
    
    [loop] for (uint i = 0; i < SAMPLE_COUNT; i++)
    {
        float3 dirVS = SampleHemisphere(uv, i, normal);  // 重要性采样半球
        float3 rayEndVS = viewPos + dirVS * MAX_DIST;
        
        // 投影到屏幕空间
        float4 rayEndCS = mul(_ProjMatrix, float4(rayEndVS, 1.0));
        float2 rayEndUV = rayEndCS.xy / rayEndCS.w * 0.5 + 0.5;
        
        // 沿屏幕空间步进比较深度
        float2 hitUV;
        if (RayMarchScreenSpace(uv, rayEndUV, viewPos, dirVS, /*out*/ hitUV))
        {
            indirect += SAMPLE_TEXTURE2D(_GBuffer0, sampler_Point, hitUV).rgb;
        }
    }
    return indirect / SAMPLE_COUNT;
}

2.2 屏幕空间综合症

  • 摄像机视野外、被遮挡的几何体的间接光完全缺失
  • 摄像机转动时，间接光发生剧烈跳变（Temporal Instability）
  • 无法模拟多次反弹

💡SSGI

SSGI 在现代管线中的正确生态位是，而非主力 GI 方案。建议与 DDGI/Lumen 类低频间接光叠加，并强制要求管线已有充分的 TAA/TSR 颞部稳定。

三、 预计算时代的优雅数学：PRTGI

Precomputed Radiance Transfer GI 是 GPU 时代最具数学优雅性的 GI 方案，由 Peter-Pike Sloan 于 2002 年 SIGGRAPH 提出。

PRT 球谐

球谐函数（Spherical Harmonics）的前三阶共 9 个基函数。PRT 将光照的”传输关系”投影到这组基底上。

3.1 核心思想：存的是”关系”而非”光”

Unity Light Probes（常规烘焙） PRTGI
存储内容 某点最终的辐照度结果（已含光源信息） 几何体对光的遮蔽与反弹关系（不含光源）
光源动态性 ❌ 必须静态 ✅ 完全动态
几何体动态性 静态提供 GI / 动态接收 GI ❌ 必须完全静态

PRT 运行时计算：

其中 是离线烘焙的转移系数， 是实时动态的光源球谐表示。二者点积即可得到最终光照——这在 GPU 上几乎是零开销的操作。

3.2 SH 基函数交互可视化

下面这个组件实时渲染了 SH 前 3 阶（共 9 个基函数）的三维图像。每个基函数 用极坐标曲面表示：半径 = 函数值的绝对值，红色 = 正瓣，蓝色 = 负瓣。这就是 PRT 用来近似任意光照分布的”基底字典”。

⚡ Three.js · SH 基函数实时渲染 (可交互)
拖拽旋转视图 · 滚轮缩放
上排：l=0 (1 系数)　中排：l=1 (3 系数)　下排：l=2 (5 系数)
共 9 个 RGB 系数 = 27 floats / 探针
Fig 1.

球谐函数（Spherical Harmonics）前三阶基函数的空间分布可视化。

3.3 SH 在 Shader 中的实际重建代码

下面是在 c 中采样 9 系数 SH 重建漫反射辐照度的标准实现：

C
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
// 9 个 SH 系数（每个分量 RGB），共需 27 floats
struct SHCoeffs
{
    float3 c[9];
};

// 给定法线方向 N，重建漫反射辐照度 E(N)
// 这是 PRT/Light Probe 系统在 PS 阶段的核心数学
float3 EvaluateSH9(float3 N, SHCoeffs sh)
{
    // ---- Band 0 (constant) ----
    float3 result = sh.c[0] * 0.282095;             // Y_0^0
    
    // ---- Band 1 (linear) ----
    result += sh.c[1] * (0.488603 * N.y);           // Y_1^-1
    result += sh.c[2] * (0.488603 * N.z);           // Y_1^0
    result += sh.c[3] * (0.488603 * N.x);           // Y_1^+1
    
    // ---- Band 2 (quadratic) ----
    result += sh.c[4] * (1.092548 * N.x * N.y);                  // Y_2^-2
    result += sh.c[5] * (1.092548 * N.y * N.z);                  // Y_2^-1
    result += sh.c[6] * (0.315392 * (3.0 * N.z * N.z - 1.0));    // Y_2^0
    result += sh.c[7] * (1.092548 * N.x * N.z);                  // Y_2^+1
    result += sh.c[8] * (0.546274 * (N.x * N.x - N.y * N.y));    // Y_2^+2
    
    return max(result, 0.0);
}

// Unity / URP 中的实际写法（已乘 cos lobe 卷积系数）
// 详见 ShaderLibrary/EntityLighting.c 的 SampleSH9 函数
half3 SampleProbeSH(half3 normalWS)
{
    real4 SHCoefficients[7] = { unity_SHAr, unity_SHAg, unity_SHAb,
                                 unity_SHBr, unity_SHBg, unity_SHBb,
                                 unity_SHC };
    return max(half3(0,0,0), SampleSH9(SHCoefficients, normalWS));
}

3.4 工业落地：Enlighten 的兴衰

Unity 内置的 Enlighten Realtime GI 是最接近 PRT 思想的产品化实现：它在烘焙阶段把场景切分为簇（Clusters），预计算簇之间的辐射度传输矩阵（Form Factors），运行时允许动态光源驱动这个传输矩阵产生实时间接光。

但它在 Unity 中经历了”被废弃 → 因 SaaS 授权问题回归 → 在新管线中又被 APV 替代”的曲折历史，是 GI 工业化的一个典型缩影。

四、 体素时代的探索：VXGI / SVOGI

在 SSGI 与 PRT 之间，Voxel Cone Tracing 是一个不可忽视的里程碑。Cyril Crassin 2011 年提出，NVIDIA 在 2014 年通过 VXGI 推广，CryEngine 用其变种 SVOGI 在《孤岛危机 4》和《狩猎对决》中落地。

VXGI 体素化场景与锥追踪示意

VXGI 把场景体素化进 3D 纹理，每帧从着色点向半球发射”圆锥”做追踪，圆锥沿途累积体素辐射度。

4.1 核心算法三步曲

  1. 场景体素化（Voxelization）：通过几何着色器或 Compute Shader 把场景写入一个稀疏 3D 纹理（Sparse Voxel Octree, SVO），每个体素存储反照率、法线、自发光与不透明度。
  2. 辐射度注入（Light Injection）：把直接光照结果”注入”对应体素，并生成多级 Mipmap，作为不同尺度间接光的近似。
  3. 锥追踪（Cone Tracing）：从着色点向半球投射 ~6 个圆锥，每个圆锥沿途按距离从粗糙到精细 Mip 采样体素，等效于一次低成本的”模糊路径追踪”。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
// 简化版体素锥追踪 - 单个圆锥
float4 ConeTrace(float3 startPos, float3 dir, float coneAperture)
{
    float4 accum = 0;
    float dist = VOXEL_SIZE;  // 起步距离避免自相交
    
    while (dist < MAX_DIST && accum.a < 0.95)
    {
        float diameter = max(VOXEL_SIZE, 2.0 * tan(coneAperture * 0.5) * dist);
        float mipLevel = log2(diameter / VOXEL_SIZE);
        
        float3 samplePos = (startPos + dir * dist) * INV_SCENE_BOUNDS;
        float4 voxel = _VoxelTex3D.SampleLevel(s_linear, samplePos, mipLevel);
        
        // Front-to-back 累积，符合 Beer-Lambert 透射
        accum += (1.0 - accum.a) * voxel;
        dist += diameter * 0.5;
    }
    return accum;
}

4.2 优劣总结

优势： 全动态、单次反弹质量高、与几何复杂度解耦、不依赖硬件光追。
劣势： 体素分辨率受显存限制（典型 256³ 已占数百 MB），导致漏光与细节丢失；二次反弹需多 Pass 重新注入，成本陡增；在大世界场景中难以维护稀疏 SVO 的更新。

VXGI 的思想现在依然活跃：UE5 Lumen 的 Global Distance Field + Surface Cache 体系本质上是 VXGI 思路的现代演化版本，只是把”体素”换成了”距离场 + 卡表面缓存”。

五、 面元时代的工业实践：Surfel GI

Surfel-based Global Illumination（面元 GI）是 EA Frostbite 在 2018 GDC 推出、被 Massive 的 Snowdrop 引擎用在《阿凡达：潘多拉边境》等 3A 项目中的方案。

Surfel GI：用面元替代探针，把几何信息显式地"撒"到表面上

Fig 5.1.

Surfel GI 把场景表面采样为大量持久化的圆盘”面元”，每个面元缓存自己的辐照度并跨帧累积，从根本上绕开了探针网格的漏光与密度问题。

5.1 核心数据结构：面元（Surfel）

每个面元是一个圆盘代理，存储：

  • 世界空间位置 、法线 、半径
  • 累积的多次反弹辐照度（球谐表示）
  • 命中计数器（用于自适应分裂/合并）
1
2
3
4
5
6
7
8
9
struct Surfel
{
    float3  position;
    float3  normal;
    float   radius;
    float   accumulatedHits;
    SH9_RGB irradiance;     // 累积辐照度 SH
    uint    cellIndex;      // 加速结构 cell 索引
};

5.2 面元 GI vs 探针 GI 的本质区别

🔴 DDGI 探针
  • 规则空间网格 → 空间冗余
  • 探针不感知几何 → 薄壁漏光
  • 密度由网格决定 → 大世界爆炸
💖 Surfel 面元
  • 仅存在于可见表面上 → 0 空间浪费
  • 面元贴合几何 → 天然遮挡感知
  • 自适应密度 → 大世界友好

5.3 时间复用：Frostbite 的”持久化辐照度”

Surfel GI 的真正威力来自时间累积：每帧只需对一小部分面元发射光线（通常是数千条/帧），结果以指数滑动平均的方式合并进面元缓存。这意味着——

整个场景的 GI 可以在 1~2 秒内逐步收敛到接近 Path Tracing 的质量，但每帧只花费几毫秒。

这套思路深刻影响了后来的 UE5 Lumen Surface Cache，二者在哲学上是同一脉的”屏幕空间外的持久缓存”。

六、 RTX 时代的破局者：DDGI

Dynamic Diffuse Global Illumination 是基于硬件光追的主流落地方案，由 Morgan McGuire 团队提出并被 NVIDIA RTXGI SDK 产品化。

DDGI 探针网格：每个探针用八面体映射存储辐照度和深度矩

Fig 6.1.

DDGI 在场景中分布探针网格，每帧从探针发射实时光线，捕获动态间接光照。

6.1 核心数据结构：八面体映射

每个 DDGI 探针存储两张**低分辨率八面体（Octahedral）**纹理：辐照度（8×8）和深度矩（16×16）。八面体映射把整个球面无奇异点地展开到一个正方形 UV 空间，是探针数据的关键编解码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
// === 八面体编码：3D 方向 → 2D UV ===
float2 OctEncode(float3 n)
{
    n /= (abs(n.x) + abs(n.y) + abs(n.z));
    float2 oct = n.xy;
    if (n.z < 0.0)
    {
        // 折叠下半球到外角
        oct = (1.0 - abs(oct.yx)) * sign(oct);
    }
    return oct * 0.5 + 0.5;  // 映射到 [0, 1]
}

// === 八面体解码：2D UV → 3D 方向 ===
float3 OctDecode(float2 uv)
{
    uv = uv * 2.0 - 1.0;
    float3 n = float3(uv.x, uv.y, 1.0 - abs(uv.x) - abs(uv.y));
    if (n.z < 0.0)
    {
        n.xy = (1.0 - abs(n.yx)) * sign(n.xy);
    }
    return normalize(n);
}

6.2 防漏光魔法：Chebyshev 不等式

DDGI 最巧妙的设计在于用 深度 + 深度平方 的两阶矩配合 Chebyshev 不等式给出软可见性概率——这是它优于传统三线性插值探针的核心：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
// DDGI 软可见性测试
// 返回该方向上探针对采样点的可见性概率（0 = 被遮挡, 1 = 完全可见）
float ChebyshevVisibility(float3 probePos, float3 surfacePos,
                          Texture2D depthMomentsTex, SamplerState s)
{
    float3 toSurface = surfacePos - probePos;
    float distToSurface = length(toSurface);
    float2 octUV = OctEncode(normalize(toSurface));
    
    // 采样该方向上探针记录的 (mean_depth, mean_depth²)
    float2 moments = depthMomentsTex.Sample(s, octUV).xy;
    float mean = moments.x;
    float variance = max(moments.y - mean * mean, 1e-6);
    
    // 表面在探针记录的"前方"，肯定可见
    if (distToSurface <= mean) return 1.0;
    
    // Chebyshev 不等式给出可见性概率上界：
    //   P(X >= t) <= variance / (variance + (t - mean)^2)
    float d = distToSurface - mean;
    float pMax = variance / (variance + d * d);
    
    // Light-bleed reduction：经验性的硬阈值，避免软阴影下的漏光
    pMax = smoothstep(0.2, 1.0, pMax * pMax);
    return pMax;
}

6.3 探针网格 + 漏光交互演示

下面这个交互组件用 Canvas 模拟了一个 2D 房间：拖动光源可以看到探针每帧捕获的辐照度变化，勾选 Chebyshev 测试可以观察到薄墙漏光被消除的过程：

⚡ DDGI 探针网格 · 漏光交互演示
🔴 拖拽红色光源 · 灰色矩形为障碍墙 · 圆点为探针，光环颜色等于其捕获的辐照度

观察提示： 关闭 Chebyshev 后，把光源拖到 Room A，可以看到 Room B 内的探针错误地”亮起来”——这就是著名的探针漏光问题。开启 Chebyshev 后，探针会根据自己记录的最近墙壁深度矩信息，软性地拒绝穿墙能量。

6.4 局限性

痛点 说明
薄壁漏光 墙体厚度小于探针间距时，Chebyshev 测试也会失效。生产中常用 Probe Backface Hit Threshold 强制裁剪
大世界爆炸 8×8×8 的均匀网格在 1km × 1km 场景中需要数百万探针。RTXGI 推出了 Volume 分级方案缓解
更新带宽 每帧每探针发射 64256 条光线，1080p 60fps 下光追开销可达 24 ms

七、 迈向完全路径追踪的桥梁：ReSTIR GI

Reservoir-based Spatiotemporal Importance Resampling for GI（Ouyang et al., EGSR 2021）是目前通向实时路径追踪最重要的算法突破。

ReSTIR GI：通过蓄水池采样在时空邻域复用高质量光路

Fig 7.1.

左侧为 1 SPP 原始路径追踪（大量噪点），右侧为 ReSTIR GI 复用时空邻域样本后的结果（接近收敛）。

7.1 核心概念：蓄水池采样

传统路径追踪每像素只有 1~4 SPP，噪点严重。ReSTIR 的关键观察是：

相邻像素的”好样本”对你也是高质量样本——只要做一次重要性重采样校正。

每个像素维护一个蓄水池（Reservoir），里面装着当前最优的样本及其权重 。算法在三个维度复用样本：

  1. Initial Sampling —— 每像素追踪少量初始路径（通常 1 SPP）
  2. Spatial Reuse —— 从邻近像素的 Reservoir 中借用样本，加权合并
  3. Temporal Reuse —— 从上一帧的 Reservoir 中复用未失效的历史样本
1
2
3
4
5
6
7
8
9
10
// Reservoir 加权合并的核心 update 算法
void Reservoir::Update(Sample s, float weight, float rng)
{
    wSum += weight;
    M += 1;
    if (rng < weight / wSum)
    {
        sample = s;  // 以 weight/wSum 的概率接受新样本
    }
}

经过空间 + 时间复用后，单帧内的等效 SPP 可放大 100 倍以上，几乎无视频路径追踪的代价开辟了一条实时落地的捷径。

7.2 Ghosting 与 Boiling 的工程挑战

⚠️ 时空复用的代价

当几何或光源剧烈变化（爆炸、瞬移、武器切换），历史 Reservoir 数据失效，单帧来不及刷新就出现：

  • Ghosting（残影） —— 光源关闭后画面残留幽灵般的间接光
  • Boiling（沸腾） —— 高方差区域产生跳变的“沸腾”噪点

常见对策： 基于运动矢量的 Reservoir 重投影 + 历史长度限制（通常 M_max = 20~30）+ 专用降噪器（NRD / OptiX Denoiser）。

八、 工业界双雄：引擎级 GI 管线深度对比

8.1 Unreal Engine 5：Lumen 的混合哲学

Lumen 的核心是多层光追源 + 表面缓存的混合系统：

Tier 1: 屏幕空间
SSGI 类似的 Screen Trace，处理细节接触阴影与近距离反射
Tier 2: SDF 软光追
Mesh Distance Field + Global Distance Field，无硬件光追时的主力路径
Tier 3: 硬件光追
Hardware RT 提供精确远距离命中，吸收 ReSTIR 思想做样本复用
🔑
关键解耦：三层光追的命中结果统一写入 Surface Cache（贴图空间持久化辐照度，类似 Surfel 思想），下游的 Final Gather 阶段只采样 Surface Cache，与具体追踪手段完全解耦。

Lumen 调试视图实战

UE5 提供了一套强大的 r.Lumen.* Debug 视图，对 TA 排查问题至关重要：

调试视图 排查问题
ShowFlag.VisualizeLumenScene 查看 SDF/Surface Cache 是否覆盖目标几何，缺失会导致黑斑
r.Lumen.Visualize.CardPlacement 1 显示 Surface Cache Card 分布，过密区域意味着多余开销
r.Lumen.Visualize 2 (Reflections) 反射的命中分布；噪点严重通常意味着该处需要更高 RT 预算
stat GPU + LumenScene Lumen Scene Update 占用 ms，PS5 上的预算约为 1.5~2.5 ms

典型性能预算（PS5/Xbox Series X，1080p 内部分辨率，Quality 档）：

步骤 耗时
LumenSceneUpdate ~ 1.8 ms
LumenScreenProbeGather ~ 2.4 ms
LumenReflections ~ 1.6 ms
Total Lumen ~ 5.8 ms (35% of 16.67ms budget)

8.2 Unity：从 Light Probes 到 APV

Unity APV 自适应探针体积：八叉树 Brick 自适应分布

Unity 当前主推的 Adaptive Probe Volumes (APV) 在 HDRP 与 URP 中已成为推荐方案。它放弃了手动摆放 Light Probe，改用：

  • 基于 Brick 的八叉树分级 —— 几何复杂区域自动加密，开阔区域稀疏
  • 流式加载 —— 大世界场景按需加载 Brick
  • Sky Occlusion —— 烘焙阶段计算每点对天空的可见性，运行时动态天光直接驱动间接光（这是 PRT 思想的延续）

APV 调试视图实战

调试视图 排查问题
Probe Volume → Display Probes 直接看探针位置与系数颜色，漏光最常见原因是 Brick 跨墙
Probe Validity 显示无效探针（位于几何内部），Dilation Threshold 调节自动有效化
Sampling Debug → Sampling Position 给定一个像素，可视化它从哪 8 个探针做三线性插值
Reflection Probes Debug 验证 Reflection Probes 与 APV 的混合是否平滑

APV 与 Lumen 的本质差异：

维度 Unity APV UE5 Lumen
数据形态 Brick 网格 + SH 系数 Surface Cache（贴图空间）
运行时光照 天光驱动 SH 重建（无 RT） 每帧 RT/SDF 追踪更新
动态几何 ❌ Brick 烘焙时固定 ✅ MDF 完全动态
移动端可用 ✅ URP 有适配版本 ❌ 需主机/PC 算力
主要适用场景 大世界、移动端、动态天光 写实 3A、室内复杂光照

💡注：

  • Unity APV (Adaptive Probe Volumes) 更倾向于一种“高性能、半动态”的方案，本质上是光照探针的进化版，非常适合移动端大世界。
  • UE5 Lumen 则是真正的“全动态”全局光照，对硬件性能要求极高，更适合追求极致画面效果的 PC 或主机平台。

九、 项目 GI 方案快速决策

🎯 基于平台与动态需求的 GI 选型方案
1. 目标平台
2. 场景动态性

十、 总结与未来展望

10.1 技术演进的内在逻辑

回顾整条进化轴，可以看到一条清晰的工程哲学迁移：

从”信息越多越好”（PRT/VXGI 存所有传输关系），到”复用越聪明越好”（Surfel/ReSTIR 用时空缓存逼近真值）。

每一代 GI 方案都是在”预计算精度 vs 运行时灵活性 vs 硬件成本”的三角形中，找到当前硬件代际下的最优平衡。

10.2 下一代：Neural Radiance Caching

NVIDIA 在 2021 年提出的 Neural Radiance Caching (NRC) 把 GI 缓存的形态推到了新的高度：用一个小型在线训练的 MLP 替代 Surfel/Probe 缓存，在场景中的每个着色点查询神经网络得到无偏的辐射度估计。

关键特征：

  • 在线训练：每帧用少量路径追踪样本反向传播更新 MLP 权重
  • 自适应：网络容量自动分配给高频区域
  • 首次让纯神经网络在实时光追中战胜了显式缓存方案

这指向了一个有趣的未来：GI 的下一阶段可能不再是”算法”而是”小模型”，每个游戏运行时都在背地里训练自己的辐射度网络。

📚 参考文献与延伸阅读
[1]

DDGI 原理 | “Dynamic Diffuse Global Illumination with Ray-Traced Irradiance Fields” — Majercik, McGuire et al., JCGT 2019

[2]

ReSTIR GI 论文 | “ReSTIR GI: Path Resampling for Real-Time Path Tracing” — Ouyang et al., EGSR 2021

[3]

ReSTIR DI 原始论文 | “Spatiotemporal reservoir resampling for real-time ray tracing with dynamic direct lighting” — Bitterli et al., SIGGRAPH 2020

[4]

PRT 原始论文 | “Precomputed Radiance Transfer for Real-Time Rendering in Dynamic, Low-Frequency Lighting Environments” — Sloan et al., SIGGRAPH 2002

[5]

Surfel GI | “Global Illumination Based on Surfels” — EA Frostbite, GDC 2018

[6]

VXGI / SVOGI | “Interactive Indirect Illumination Using Voxel Cone Tracing” — Crassin et al., 2011

[7]

Neural Radiance Caching | “Real-time Neural Radiance Caching for Path Tracing” — Müller et al., SIGGRAPH 2021

[8]

NVIDIA RTXGI SDK | github.com/NVIDIAGameWorks/RTXGI

[9]

Unity APV 文档 | Unity Docs > Adaptive Probe Volumes