title 異質渲染場：Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇
english_title Heterogeneous Rendering Fields: Unified Selection Across Raster, Ray, Neural, Semantic, and Reuse Realizations
series Observer-Sovereign Rendering（OSR）
paper_id OSR-03
author Neo.K
ai_collaboration GPT-5.6 Sol
institution EveMissLab／一言諾科技有限公司
version v0.1
date 2026-09-18
language zh-TW
document_type 理論論文／異質渲染架構／AI-native graphics／rendering systems
status 初版完成
異質渲染場
Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇
Heterogeneous Rendering Fields
Unified Selection Across Raster, Ray, Neural, Semantic, and Reuse Realizations
論文編號： OSR-03系列： Observer-Sovereign Rendering（OSR）／觀察者主權渲染作者： Neo.KAI 協作： GPT-5.6 Sol機構： EveMissLab／一言諾科技有限公司版本： v0.1日期： 2026 年 9 月 18 日
摘要
OSR-01 將渲染問題的起點由相機與像素前移為觀察者、目的與顯現義務；OSR-02 進一步提出 Observation Probe、Perceptual Rendering Compiler（PRC）與 OSR-IR，使 Manifestation Obligations 能被編譯為可執行、可驗證、可回退的 rendering plan。本篇處理下一個核心問題：
當 Raster、Ray、Path、Reuse、Local Neural、Cloud Neural 與 Semantic 等多種 realization 同時可用時，系統應如何比較、組合、替代與切換？
本文提出「異質渲染場」（Heterogeneous Rendering Field, HRF）。在 HRF 中，renderer 不再被視為整幀唯一選擇，而被視為可在空間、時間、語義物件、表示深度與任務條件上動態分配的 realization class。對世界位置或顯現 scope x x x t t t
R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x ) ) \boxed{
\mathcal R_t(x)
=
(
r_t(x),
d_t(x),
\nu_t(x),
h_t(x),
v_t(x)
)
} R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x )) 其中 r t ( x ) r_t(x) r t ( x ) d t ( x ) d_t(x) d t ( x ) ν t ( x ) \nu_t(x) ν t ( x ) h t ( x ) h_t(x) h t ( x ) v t ( x ) v_t(x) v t ( x )
本文不將 renderer 排成一條「舊技術到新技術」的線性階級。相反地，本文為每一 realization 定義 Capability Vector：
κ ( r ) = ( Q , S , T , L , C , D , P , A , X ) , \kappa(r)
=
(
Q,
S,
T,
L,
C,
D,
P,
A,
X
), κ ( r ) = ( Q , S , T , L , C , D , P , A , X ) , 分別描述品質、結構保真、時間一致性、延遲、成本、決定性、來源可追溯性、authority requirement 與可輸出 representation class。不同 renderer 通常位於不同 Pareto frontier；不存在對所有場景普遍占優的單一 renderer。
本文進一步定義三種關係：substitution、composition 與 refinement。若兩個 renderer 在某 Manifestation Obligation 下皆滿足 minimum contract，則可形成 obligation-relative substitution；若一個 renderer 的輸出可作為另一個 renderer 的條件或 carrier，則形成 composition；若某 realization 在不改變語義對象的情況下提高 representation depth，則形成 refinement。這三種關係共同構成 Heterogeneous Rendering Algebra。
2026 年的外部研究提供了明顯的技術收斂：LoD-aware ReSTIR 已能在不同 mesh topology 的 LoD 切換下保留 spatiotemporal reuse；Multi-Layer Reservoir Splatting 針對 disocclusion 重用被遮蔽歷史樣本；8DNA 將高成本的 8D asset light transport 預烘成 neural representation；TRON 把 ray-traced PBR 條件與 single-step neural renderer 組合；DLSS 5 則將 3D-grounded generative rendering 引入 final displayed appearance。這些成果共同顯示：未來 renderer 更可能形成可組合的 heterogeneous stack，而不是由單一演算法全面取代前代方法。
本篇最後提出 backend switching hysteresis、transition cost、temporal validity、reuse credit、cloud/local asymmetry、semantic rendering、representation carrier hierarchy，以及第一代 Heterogeneous Field Solver。OSR-04 將在此基礎上把 APR 的感知預算與 re-observation policy 正式嵌入 HRF，使「什麼時候看、看多深」與「用哪種 renderer 顯現」成為同一個受治理決策問題。
關鍵詞： Heterogeneous Rendering、Rasterization、Ray Tracing、Neural Rendering、Semantic Rendering、Temporal Reuse、ReSTIR、DLSS 5、TRON、8DNA、Observer-Sovereign Rendering
0. 本篇的位置
OSR-01：
World → ManifestationObligations . \boxed{
\text{World}
\rightarrow
\text{ManifestationObligations}.
} World → ManifestationObligations . OSR-02：
ManifestationObligations → ObservationProbes → RenderPlan . \boxed{
\text{ManifestationObligations}
\rightarrow
\text{ObservationProbes}
\rightarrow
\text{RenderPlan}.
} ManifestationObligations → ObservationProbes → RenderPlan . OSR-03：
Which realizations should actually occupy the render plan? \boxed{
\text{Which realizations should actually occupy the render plan?}
} Which realizations should actually occupy the render plan? 因此本篇不再研究「要不要看」。
本篇研究：
既然要看，究竟應該由什麼來顯現？
1. 單一 Renderer 假設正在失效
傳統即時 graphics pipeline 常給人一種簡化印象：
Scene → R e n d e r e r Frame . \text{Scene}
\xrightarrow{Renderer}
\text{Frame}. Scene R e n d er er Frame . 但現代遊戲早已不是單一 algorithm。
實際 pipeline 可以同時具有：
rasterization；
shadow maps；
screen-space effects；
ray-traced reflections；
ray-traced GI；
temporal accumulation；
denoising；
upscaling；
frame generation；
neural enhancement；
UI / semantic overlay。
所以更準確是：
F r a m e t = C ( R 1 , R 2 , … , R n ) . Frame_t
=
\mathcal C
(
R_1,
R_2,
\ldots,
R_n
). F r am e t = C ( R 1 , R 2 , … , R n ) . OSR 再往前推一步：
R i \boxed{
R_i
} R i 不只由 engine programmer 靜態決定。
它們可以由 observer goal、world state、uncertainty、budget 與 runtime capability 動態決定。
2. Renderer 不是世代階級
常見敘事是：
Raster
↓
Ray Tracing
↓
Path Tracing
↓
Neural Rendering
↓
Generative Rendering
這會讓人誤以為後者必然淘汰前者。
本文否定這個線性模型。
因為每一類 realization 都有不同強項。
Rasterization：
L a t e n c y ↓ , D e t e r m i n i s m ↑ . Latency\downarrow,
Determinism\uparrow. L a t e n cy ↓ , D e t er mini s m ↑ . Ray / Path：
P h y s i c a l C o n s i s t e n c y ↑ , C o s t ↑ . PhysicalConsistency\uparrow,
Cost\uparrow. P h y s i c a l C o n s i s t e n cy ↑ , C os t ↑ . Reuse：
M a r g i n a l C o s t ↓ , H i s t o r y D e p e n d e n c e ↑ . MarginalCost\downarrow,
HistoryDependence\uparrow. M a r g ina l C os t ↓ , H i s t or y D e p e n d e n ce ↑ . Neural：
A p p e a r a n c e P r i o r ↑ , I n f e r e n c e R i s k ↑ . AppearancePrior\uparrow,
InferenceRisk\uparrow. A pp e a r an ce P r i or ↑ , I n f er e n ce R i s k ↑ . Cloud Neural：
M o d e l C a p a c i t y ↑ , N e t w o r k D e p e n d e n c e ↑ . ModelCapacity\uparrow,
NetworkDependence\uparrow. M o d e l C a p a c i t y ↑ , N e tw or k D e p e n d e n ce ↑ . Semantic：
T a s k R e l e v a n c e ↑ , P i x e l C o m p l e t e n e s s ↓ . TaskRelevance\uparrow,
PixelCompleteness\downarrow. T a s k R e l e v an ce ↑ , P i x e l C o m pl e t e n ess ↓ . 因此不存在：
r ∗ = arg max r Everything . r^*
=
\arg\max_r
\text{Everything}. r ∗ = arg r max Everything . 3. Renderer Capability Vector
定義 renderer realization class：
r ∈ R . r\in\mathfrak R. r ∈ R . 每個 renderer 有 capability vector：
κ ( r ) = ( Q r , S r , T r , L r , C r , D r , P r , A r , X r ) . \boxed{
\kappa(r)
=
(
Q_r,
S_r,
T_r,
L_r,
C_r,
D_r,
P_r,
A_r,
X_r
).
} κ ( r ) = ( Q r , S r , T r , L r , C r , D r , P r , A r , X r ) . 其中：
Q r Q_r Q r S r S_r S r T r T_r T r L r L_r L r C r C_r C r D r D_r D r P r P_r P r A r A_r A r X r X_r X r
這個向量不是固定常數。
實際上：
κ t ( r ) = f ( hardware , scene , region , network , model , history , load ) . \kappa_t(r)
=
f(
\text{hardware},
\text{scene},
\text{region},
\text{network},
\text{model},
\text{history},
\text{load}
). κ t ( r ) = f ( hardware , scene , region , network , model , history , load ) . 因此 backend 選擇必須是 runtime-relative。
4. 第一代 Renderer Space
OSR-03 v0.1 定義：
R = { R s t a t e , R r a s t e r , R r a y , R p a t h , R r e u s e , R l o c a l N , R c l o u d N , R s e m a n t i c } . \boxed{
\mathfrak R
=
\{
R_{\mathrm{state}},
R_{\mathrm{raster}},
R_{\mathrm{ray}},
R_{\mathrm{path}},
R_{\mathrm{reuse}},
R_{\mathrm{localN}},
R_{\mathrm{cloudN}},
R_{\mathrm{semantic}}
\}.
} R = { R state , R raster , R ray , R path , R reuse , R localN , R cloudN , R semantic } . 這不是最終完備分類。
它只是第一代可執行空間。
5. State Realization
R s t a t e R_{\mathrm{state}} R state 不一定產生 pixel。
它直接將 authoritative structured state 顯現為：
UI；
text；
icon；
highlight；
debug geometry；
accessibility signal。
例如：
e n e m y . d i s t a n c e = 12.4 m enemy.distance=12.4m e n e m y . d i s t an ce = 12.4 m 可以直接生成 HUD。
這提醒我們：
Manifestation ≠ Photorealistic Image . \boxed{
\text{Manifestation}
\neq
\text{Photorealistic Image}.
} Manifestation = Photorealistic Image . 6. Raster Realization
R r a s t e r R_{\mathrm{raster}} R raster 仍然具有非常強的基礎價值。
其主要優勢：
highly parallel；
deterministic；
mature tooling；
low latency；
predictable cost；
direct engine integration。
因此 OSR 不將 raster 視為「即將被 AI 淘汰的舊技術」。
它更像：
Reliable structural baseline renderer . \boxed{
\text{Reliable structural baseline renderer}.
} Reliable structural baseline renderer . 對 cloud-assisted OSR 而言尤其重要。
7. Ray Realization
R r a y R_{\mathrm{ray}} R ray 處理顯式幾何／光路查詢。
適合：
visibility；
shadow；
reflection；
selected GI；
geometric validation。
Ray 的價值是：
world-grounded physical query . \boxed{
\text{world-grounded physical query}.
} world-grounded physical query . 它不必負責整個 final appearance。
8. Path Realization
R p a t h R_{\mathrm{path}} R path 可提供更完整 light transport approximation。
它可能：
太昂貴而不適合全畫面；
卻非常適合作為 selected region；
reference anchor；
neural condition；
verification oracle；
offline cache source。
所以：
Expensive ⇏ Useless . \boxed{
\text{Expensive}
\not\Rightarrow
\text{Useless}.
} Expensive ⇒ Useless . 高成本 renderer 可以被局部化。
9. Reuse Realization
R r e u s e R_{\mathrm{reuse}} R reuse 把過去已完成的有效工作視為 computational asset。
來源可以是：
previous frame；
temporal cache；
neural latent；
ray reservoir；
path reservoir；
precomputed light transport；
scene cache。
定義 reuse credit：
R C t ( x ) = V t h i s t ( x ) ⋅ F t ( x ) ⋅ M t ( x ) \boxed{
RC_t(x)
=
V_t^{hist}(x)
\cdot
F_t(x)
\cdot
M_t(x)
} R C t ( x ) = V t hi s t ( x ) ⋅ F t ( x ) ⋅ M t ( x ) 其中：
V t h i s t V_t^{hist} V t hi s t F t F_t F t M t M_t M t
若：
R C t ( x ) ↑ , RC_t(x)\uparrow, R C t ( x ) ↑ , 則新計算的必要性下降。
10. Local Neural Realization
R l o c a l N R_{\mathrm{localN}} R localN 適合：
denoise；
upscaling；
frame reconstruction；
local material enhancement；
compact generative appearance；
latent decoding。
它的重要性不只在品質。
更重要是：
N e t w o r k D e p e n d e n c e = 0. NetworkDependence=0. N e tw or k D e p e n d e n ce = 0. 因此在 latency-critical 系統中：
R l o c a l N R_{\mathrm{localN}} R localN 通常比 cloud 更容易進 blocking critical path。
11. Cloud Neural Realization
R c l o u d N R_{\mathrm{cloudN}} R cloudN 提供：
larger model；
larger memory；
larger multimodal context；
potentially higher appearance prior；
easier model replacement。
代價是：
L n e t w o r k , L_{network}, L n e tw or k , C c l o u d , C_{cloud}, C c l o u d , Jitter , \text{Jitter}, Jitter , Privacy , \text{Privacy}, Privacy , Availability . \text{Availability}. Availability . 因此 cloud neural 在 OSR 中不是：
primary universal renderer . \text{primary universal renderer}. primary universal renderer . 而更適合：
asynchronous enhancement / anchor / selected-region realization . \boxed{
\text{asynchronous enhancement / anchor / selected-region realization}.
} asynchronous enhancement / anchor / selected-region realization . 12. Semantic Realization
R s e m a n t i c R_{\mathrm{semantic}} R semantic 將世界狀態映射成：
outline；
label；
guidance；
icon；
route；
hazard；
selection field；
semantic color space。
它可能完全不追求 photorealism。
但對某些 observer goal：
U t i l i t y s e m a n t i c > U t i l i t y p h o t o r e a l . Utility_{\mathrm{semantic}}
>
Utility_{\mathrm{photoreal}}. U t i l i t y semantic > U t i l i t y photoreal . 例如 debug、navigation、accessibility、AI agent perception。
13. 異質渲染場
本文正式定義 Heterogeneous Rendering Field：
R t : Ω t → R × D × F × H × V . \boxed{
\mathcal R_t:
\Omega_t
\rightarrow
\mathfrak R\times\mathcal D\times\mathcal F\times\mathcal H\times\mathcal V.
} R t : Ω t → R × D × F × H × V . 對 scope x ∈ Ω t x\in\Omega_t x ∈ Ω t
R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x ) ) . \mathcal R_t(x)
=
(
r_t(x),
d_t(x),
\nu_t(x),
h_t(x),
v_t(x)
). R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x )) . 其中：
r t ( x ) r_t(x) r t ( x ) d t ( x ) d_t(x) d t ( x ) ν t ( x ) \nu_t(x) ν t ( x ) h t ( x ) h_t(x) h t ( x ) v t ( x ) v_t(x) v t ( x )
這是 OSR-03 的核心對象。
14. 同一 Frame 可以有多種 Renderer
若畫面分區：
Ω t = Ω f a c e ∪ Ω b o d y ∪ Ω b a c k g r o u n d ∪ Ω h a z a r d , \Omega_t
=
\Omega_{face}
\cup
\Omega_{body}
\cup
\Omega_{background}
\cup
\Omega_{hazard}, Ω t = Ω f a ce ∪ Ω b o d y ∪ Ω ba c k g r o u n d ∪ Ω ha z a r d , 可以有：
r ( f a c e ) = R c l o u d N , r(face)=R_{\mathrm{cloudN}}, r ( f a ce ) = R cloudN , r ( b o d y ) = R l o c a l N , r(body)=R_{\mathrm{localN}}, r ( b o d y ) = R localN , r ( b a c k g r o u n d ) = R r e u s e , r(background)=R_{\mathrm{reuse}}, r ( ba c k g r o u n d ) = R reuse , r ( h a z a r d ) = R s e m a n t i c . r(hazard)=R_{\mathrm{semantic}}. r ( ha z a r d ) = R semantic . 同時底層仍由：
R r a s t e r R_{\mathrm{raster}} R raster 提供 base frame。
所以：
OneFrame ⇏ OneRenderer . \boxed{
\text{OneFrame}
\not\Rightarrow
\text{OneRenderer}.
} OneFrame ⇒ OneRenderer . 15. 同一 Object 也可以有多種 Renderer
角色：
O b j e c t = C h a r a c t e r . Object=Character. O bj ec t = C ha r a c t er . 可以拆：
Character = Geometry + Material + Hair + Skin + Shadow + SemanticState . \text{Character}
=
\text{Geometry}
+
\text{Material}
+
\text{Hair}
+
\text{Skin}
+
\text{Shadow}
+
\text{SemanticState}. Character = Geometry + Material + Hair + Skin + Shadow + SemanticState . 其中：
G e o m e t r y → R a s t e r , Geometry\rightarrow Raster, G eo m e t r y → R a s t er , S h a d o w → R a y , Shadow\rightarrow Ray, S ha d o w → R a y , S k i n → N e u r a l , Skin\rightarrow Neural, S k in → N e u r a l , H a i r → N e u r a l , Hair\rightarrow Neural, H ai r → N e u r a l , S e m a n t i c S t a t e → S t a t e . SemanticState\rightarrow State. S e man t i c S t a t e → S t a t e . 因此 heterogeneous rendering 不只是 screen-space tiling。
它可以是：
representation-component heterogeneity . \boxed{
\text{representation-component heterogeneity}.
} representation-component heterogeneity . 16. Substitution Relation
兩個 realization：
r a , r b r_a,
r_b r a , r b 不必全域等價。
只需要相對某 obligation：
μ i \mu_i μ i 滿足最低要求。
定義：
r a ≡ μ i r b \boxed{
r_a
\equiv_{\mu_i}
r_b
} r a ≡ μ i r b 若：
S a t i s f y ( r a , μ i ) ≥ τ i Satisfy(r_a,\mu_i)\ge\tau_i S a t i s f y ( r a , μ i ) ≥ τ i 且：
S a t i s f y ( r b , μ i ) ≥ τ i . Satisfy(r_b,\mu_i)\ge\tau_i. S a t i s f y ( r b , μ i ) ≥ τ i . 這叫 obligation-relative substitution。
17. 不是所有 Substitution 都無損
可定義：
r a ≻ μ r b r_a
\succ_{\mu}
r_b r a ≻ μ r b 表示兩者都合法，但 r a r_a r a
因此 fallback：
r a → r b r_a
\rightarrow
r_b r a → r b 可以是合法 degraded substitution。
這比：
equivalent \text{equivalent} equivalent 更實際。
18. Composition Relation
若 renderer r a r_a r a r b r_b r b
r a → r b . \boxed{
r_a
\rightarrow
r_b.
} r a → r b . 例如：
Raster → LocalNeural , \text{Raster}
\rightarrow
\text{LocalNeural}, Raster → LocalNeural , Ray → Neural , \text{Ray}
\rightarrow
\text{Neural}, Ray → Neural , Raster → CloudNeural , \text{Raster}
\rightarrow
\text{CloudNeural}, Raster → CloudNeural , Reuse → Verify , \text{Reuse}
\rightarrow
\text{Verify}, Reuse → Verify , State → Semantic . \text{State}
\rightarrow
\text{Semantic}. State → Semantic . 這叫 composition relation。
19. Refinement Relation
若：
r b r_b r b 在保留同一 semantic target 的條件下提升 representation depth：
d b > d a , d_b>d_a, d b > d a , 則：
r a ⪯ r e f r b . \boxed{
r_a
\preceq_{ref}
r_b.
} r a ⪯ r e f r b . 例如：
RasterBase ⪯ r e f RayEnhanced ⪯ r e f NeuralHighFidelity . \text{RasterBase}
\preceq_{ref}
\text{RayEnhanced}
\preceq_{ref}
\text{NeuralHighFidelity}. RasterBase ⪯ r e f RayEnhanced ⪯ r e f NeuralHighFidelity . 但這不是普遍品質排序。
因為在 determinism 或 provenance 上可能反過來。
20. Heterogeneous Rendering Algebra
本文把三種關係統一：
A R = ( R , ≡ μ , → , ⪯ r e f ) . \boxed{
\mathfrak A_R
=
(
\mathfrak R,
\equiv_{\mu},
\rightarrow,
\preceq_{ref}
).
} A R = ( R , ≡ μ , → , ⪯ r e f ) . 分別表示：
obligation-relative substitution；
composition；
refinement。
這不是完整代數系統證明。
而是 OSR compiler 的第一代 relation model。
21. Pareto Frontier
令 backend 的多目標向量：
z ( r ) = ( − Q , − S , − T , L , C , Risk ) . z(r)
=
(
-Q,
-S,
-T,
L,
C,
\text{Risk}
). z ( r ) = ( − Q , − S , − T , L , C , Risk ) . 若不存在 r ′ r' r ′
r r r 位於 Pareto frontier。
因此 compiler 不應問：
哪個 renderer 分數最高？
而應先求：
P f r o n t i e r . \boxed{
\mathcal P_{frontier}.
} P f r o n t i er . 再依 observer / budget / obligation 選擇。
22. Renderer Dominance 是局部的
某 cloud neural renderer 可能：
Q ↑ Q\uparrow Q ↑ 但：
L ↑ , C ↑ , D ↓ . L\uparrow,
C\uparrow,
D\downarrow. L ↑ , C ↑ , D ↓ . Raster：
L ↓ , D ↑ L\downarrow,
D\uparrow L ↓ , D ↑ 但：
Q c o m p l e x a p p e a r a n c e ↓ . Q_{\mathrm{complex\ appearance}}\downarrow. Q complex appearance ↓ . 所以 dominance 只能是：
task-relative and scope-relative . \boxed{
\text{task-relative and scope-relative}.
} task-relative and scope-relative . 23. Quality 不是單一數字
定義品質向量：
Q = ( Q a p p e a r a n c e , Q s t r u c t u r e , Q i d e n t i t y , Q t e m p o r a l , Q s t y l e , Q t a s k ) . \mathbf Q
=
(
Q_{appearance},
Q_{structure},
Q_{identity},
Q_{temporal},
Q_{style},
Q_{task}
). Q = ( Q a pp e a r an ce , Q s t r u c t u r e , Q i d e n t i t y , Q t e m p or a l , Q s t y l e , Q t a s k ) . 某 renderer 可以 appearance 很高，卻 identity 不穩。
例如：
Q a p p e a r a n c e ↑ , Q_{appearance}\uparrow, Q a pp e a r an ce ↑ , Q i d e n t i t y ↓ . Q_{identity}\downarrow. Q i d e n t i t y ↓ . 那它就不適合 character-critical scope。
24. Structural Fidelity
定義：
S ( r , x ) = C o n s i s t e n c y ( O u t p u t r ( x ) , W o r l d S t r u c t u r e ( x ) ) . S(r,x)
=
Consistency(
Output_r(x),
WorldStructure(x)
). S ( r , x ) = C o n s i s t e n cy ( O u tp u t r ( x ) , W or l d S t r u c t u r e ( x )) . 可檢查：
object count；
object identity；
pose；
depth ordering；
silhouette；
topology；
motion；
material class。
Neural appearance 若破壞：
S < τ S , S<\tau_S, S < τ S , 即使「更漂亮」也應被拒絕。
25. Temporal Fidelity
定義：
T ( r , x ) = 1 − D ( O u t p u t t ( x ) , W a r p ( O u t p u t t − 1 ( x ) ) ) . T(r,x)
=
1-D(
Output_t(x),
Warp(Output_{t-1}(x))
). T ( r , x ) = 1 − D ( O u tp u t t ( x ) , W a r p ( O u tp u t t − 1 ( x ))) . 這不是唯一 temporal metric，但可表達基本思想。
對 video / games：
Q s i n g l e − f r a m e Q_{single-frame} Q s in g l e − f r am e 不夠。
必須同時考慮：
Q t e m p o r a l . Q_{temporal}. Q t e m p or a l . 26. Identity Fidelity
角色／物件身份保持：
I ( r , x ) . I(r,x). I ( r , x ) . 對人物：
face identity；
costume；
accessories；
proportions。
若：
I ( r , x ) < τ I , I(r,x)<\tau_I, I ( r , x ) < τ I , 則 neural backend 不應 commit。
這使生成式 renderer 可以被使用，但必須有 world anchor。
27. Reuse Validity
Reuse 必須通過：
V a l i d R e u s e ( x , t ) = F r e s h ( x , t ) ∧ M a p ( x , t ) ∧ I d e n t i t y ( x , t ) ∧ V i s i b i l i t y ( x , t ) . \boxed{
ValidReuse(x,t)
=
Fresh(x,t)
\land
Map(x,t)
\land
Identity(x,t)
\land
Visibility(x,t).
} V a l i d R e u se ( x , t ) = F r es h ( x , t ) ∧ M a p ( x , t ) ∧ I d e n t i t y ( x , t ) ∧ V i s ibi l i t y ( x , t ) . 任何一項失敗：
R r e u s e R_{\mathrm{reuse}} R reuse 都應降級或失效。
28. 2026 LoD-aware ReSTIR 的意義
2026 年 Real-Time Level-of-Detail Rendering with ReSTIR 引入 surface point mapping，使不同 mesh topology 的 LoD 切換仍能保持 sample reuse。
其 OSR 意義不是：
ReSTIR 就是 OSR。
而是證明：
reuse \boxed{
\text{reuse}
} reuse 不必被固定 representation 綁死。
也就是：
RepresentationChange ⇏ HistoryReset \text{RepresentationChange}
\not\Rightarrow
\text{HistoryReset} RepresentationChange ⇒ HistoryReset 在適當 mapping 下可以成立。
這支持 OSR 的 representation-field 思路。
29. Disocclusion 與多層歷史
Multi-Layer Reservoir Splatting 針對 disocclusion 保留多層 screen-space history，使先前被遮蔽、之後重新可見的 sample 可以再利用。
其 OSR 意義：
Invisible Now ⇏ Computationally Worthless . \boxed{
\text{Invisible Now}
\not\Rightarrow
\text{Computationally Worthless}.
} Invisible Now ⇒ Computationally Worthless . 歷史資料可以處於：
Φ unmanifest \Phi^{\text{unmanifest}} Φ unmanifest 但仍具有未來 reuse value。
30. 8DNA 的意義
8DNA 將高成本 asset light transport 學入 8D neural representation，使 near-field illumination 下也能快速近似複雜 scattering。
這代表：
Neural Representation \boxed{
\text{Neural Representation}
} Neural Representation 不必等同「生成整張圖」。
它可以是某一 asset 的：
precomputed transport realization . \text{precomputed transport realization}. precomputed transport realization . 所以 neural renderer space 本身也必須細分。
31. TRON 的意義
TRON 使用 ray-traced / PBR rich conditions 搭配 single-step neural renderer，維持 geometry、material、lighting control 的同時提升 photoreal appearance。
其 OSR 表示：
R r a y / P B R → R n e u r a l \boxed{
R_{\mathrm{ray/PBR}}
\rightarrow
R_{\mathrm{neural}}
} R ray/PBR → R neural 是合法 composition pattern。
這與「neural 取代 ray」完全不同。
32. DLSS 5 的意義
DLSS 5 把 generative model 放到 final appearance stage，同時依賴：
rendered frame；
motion vector；
temporal state；
artistic control；
3D grounding。
因此：
Conventional structure + Generative appearance prior \boxed{
\text{Conventional structure}
+
\text{Generative appearance prior}
} Conventional structure + Generative appearance prior 已成為即時 graphics 的正式研究方向。
OSR 對它的提升是：
when / where / how much / for whom \boxed{
\text{when / where / how much / for whom}
} when / where / how much / for whom 也成為 runtime decision。
33. Renderer Switching Cost
若 region x x x
r a r_a r a 切到：
r b , r_b, r b , 存在：
C s w i t c h ( r a , r b , x ) . C_{switch}(r_a,r_b,x). C s w i t c h ( r a , r b , x ) . 來源包括：
model load；
cache invalidation；
buffer conversion；
network warm-up；
quality discontinuity；
temporal instability；
residency movement。
所以即使：
Score ( r b ) > Score ( r a ) , \text{Score}(r_b)>\text{Score}(r_a), Score ( r b ) > Score ( r a ) , 也不一定值得立刻切換。
34. Hysteresis
為避免 renderer thrashing，定義切換門檻：
Δ U = U ( r b ) − U ( r a ) . \Delta U
=
U(r_b)-U(r_a). Δ U = U ( r b ) − U ( r a ) . 只有：
Δ U > τ s w i t c h \Delta U>\tau_{switch} Δ U > τ s w i t c h 才切換。
甚至：
τ s w i t c h = f ( C s w i t c h , T s t a b i l i t y ) . \tau_{switch}
=
f(C_{switch},T_{stability}). τ s w i t c h = f ( C s w i t c h , T s t abi l i t y ) . 因此：
Better Now ⇏ Switch Now . \boxed{
\text{Better Now}
\not\Rightarrow
\text{Switch Now}.
} Better Now ⇒ Switch Now . 35. Minimum Residency Time
定義：
T m i n ( r , x ) . T_{min}(r,x). T min ( r , x ) . 除非：
failure；
safety；
deadline；
major world change；
否則 renderer 至少保持：
T m i n . T_{min}. T min . 這可以減少：
visual pop；
provider churn；
GPU pipeline churn；
cloud cost spikes。
36. Field Smoothness
Renderer field 不應產生無必要的 checkerboard switching。
可加入 regularizer：
L s m o o t h = λ s ∑ ( x , y ) ∈ N 1 [ r ( x ) ≠ r ( y ) ] . \boxed{
L_{smooth}
=
\lambda_s
\sum_{(x,y)\in N}
\mathbf 1[
r(x)\neq r(y)
].
} L s m oo t h = λ s ( x , y ) ∈ N ∑ 1 [ r ( x ) = r ( y )] . 但這不能壓過真正 semantic boundary。
例如：
face \text{face} face 與：
background \text{background} background 本來就可以不同。
37. Semantic Boundary Priority
如果：
Boundary s e m a n t i c \text{Boundary}_{semantic} Boundary se man t i c 與：
Boundary s c r e e n \text{Boundary}_{screen} Boundary scr ee n 不同，OSR 優先允許 semantic partition。
例如：
透明玻璃；
頭髮；
角色皮膚；
HUD；
hazard。
這些未必是簡單矩形 tile。
38. Representation Depth Field
除了 renderer field：
r t ( x ) , r_t(x), r t ( x ) , 還有：
d t ( x ) . d_t(x). d t ( x ) . 所以：
R t ( x ) = r t ( x ) × d t ( x ) . \boxed{
\mathcal R_t(x)
=
r_t(x)
\times
d_t(x).
} R t ( x ) = r t ( x ) × d t ( x ) . 同一 renderer 可以不同深度。
例如 ray：
1 sample 1\ \text{sample} 1 sample 到：
many samples . \text{many samples}. many samples . Neural：
small local \text{small local} small local 到：
large cloud . \text{large cloud}. large cloud . 39. Update Frequency Field
定義：
ν t ( x ) . \nu_t(x). ν t ( x ) . 例如：
ν ( face ) = 30 H z , \nu(\text{face})=30Hz, ν ( face ) = 30 H z , ν ( background ) = 2 H z , \nu(\text{background})=2Hz, ν ( background ) = 2 H z , ν ( hazard ) = 60 H z . \nu(\text{hazard})=60Hz. ν ( hazard ) = 60 H z . 最後 display 仍可：
f d i s p l a y = 120 H z . f_{display}=120Hz. f d i s pl a y = 120 H z . 中間由 reuse / interpolation 補足。
40. Renderer Field 與 Display Frequency 分離
所以：
f r e n d e r e r ( x ) ≠ f d i s p l a y . \boxed{
f_{renderer}(x)
\neq
f_{display}.
} f r e n d er er ( x ) = f d i s pl a y . 這是 cloud neural 能進互動 graphics 的重要條件。
Cloud 可以：
1 – 10 H z 1\text{--}10Hz 1 – 10 H z 更新高階 appearance anchor。
本地維持：
60 – 144 H z 60\text{--}144Hz 60 – 144 H z 顯示。
41. Cloud / Local Asymmetry
Local renderer 優勢：
Latency , Availability , Privacy , Determinism . \text{Latency},
\text{Availability},
\text{Privacy},
\text{Determinism}. Latency , Availability , Privacy , Determinism . Cloud renderer 優勢：
Capacity , ModelSize , Updateability . \text{Capacity},
\text{ModelSize},
\text{Updateability}. Capacity , ModelSize , Updateability . 因此最佳架構不必是：
Local \text{Local} Local 或：
Cloud . \text{Cloud}. Cloud . 而可以是：
LocalBase + CloudSparseEnhancement . \boxed{
\text{LocalBase}
+
\text{CloudSparseEnhancement}.
} LocalBase + CloudSparseEnhancement . 42. Cloud as Enhancement Plane
定義：
P b a s e P_{base} P ba se 與：
P e n h a n c e . P_{enhance}. P e nhan ce . 要求：
P b a s e \boxed{
P_{base}
} P ba se 能獨立滿足 minimum manifestation。
Cloud：
P e n h a n c e P_{enhance} P e nhan ce 只提高 preferred quality。
所以：
CloudFailure ⇏ WorldDisplayFailure . \text{CloudFailure}
\not\Rightarrow
\text{WorldDisplayFailure}. CloudFailure ⇒ WorldDisplayFailure . 43. Cloud as Anchor Generator
Cloud 不必持續生成 frame。
它可以生成：
A k A_k A k 作為 anchor。
本地：
A k + Motion + Depth + History → Frames . A_k
+
\text{Motion}
+
\text{Depth}
+
\text{History}
\rightarrow
\text{Frames}. A k + Motion + Depth + History → Frames . 因此：
CloudInference \boxed{
\text{CloudInference}
} CloudInference 可以從 frame frequency 解耦。
44. Neural Latent as Carrier
Cloud output 也不必是 image。
可為：
Z t . Z_t. Z t . 本地 decoder：
D l o c a l ( Z t , G t ) → I t . D_{local}(Z_t,G_t)
\rightarrow
I_t. D l oc a l ( Z t , G t ) → I t . 若：
∣ Z t ∣ ≪ ∣ I t ∣ , |Z_t|
\ll
|I_t|, ∣ Z t ∣ ≪ ∣ I t ∣ , 可能降低 bandwidth。
但這需要 shared decoder contract。
45. Semantic Renderer 也可以是主 Renderer
對 AI agent observer：
O A I , O_{AI}, O A I , 最有效 manifestation 可能是：
SceneGraph + Depth + Labels + Relations . \text{SceneGraph}
+
\text{Depth}
+
\text{Labels}
+
\text{Relations}. SceneGraph + Depth + Labels + Relations . 而不是：
4 K R G B . 4K RGB. 4 K R GB . 所以：
Photorealism \boxed{
\text{Photorealism}
} Photorealism 不是 OSR 的 universal endpoint。
46. Human / AI Co-Manifestation
同一 world：
W t W_t W t 可以同時產生：
M h u m a n M_{human} M h u man 與：
M A I . M_{AI}. M A I . 例如：
Human：
R G B + a u d i o + U I . RGB+audio+UI. R GB + a u d i o + U I . AI：
o b j e c t s + r e l a t i o n s + h a z a r d s + s t a t e . objects+relations+hazards+state. o bj ec t s + r e l a t i o n s + ha z a r d s + s t a t e . 兩者共享：
F W . F_W. F W . 但 realization 不同。
47. Representation Carrier Hierarchy
定義：
K = { K s t a t e , K g e o m e t r y , K b u f f e r , K l a t e n t , K p i x e l , K s e m a n t i c } . \mathcal K
=
\{
K_{state},
K_{geometry},
K_{buffer},
K_{latent},
K_{pixel},
K_{semantic}
\}. K = { K s t a t e , K g eo m e t r y , K b u f f er , K l a t e n t , K p i x e l , K se man t i c } . Renderer 可以在 carrier 之間轉換：
R : K a → K b . R:
K_a
\rightarrow
K_b. R : K a → K b . 所以 rendering 其實也可以理解為：
controlled carrier transformation . \boxed{
\text{controlled carrier transformation}.
} controlled carrier transformation . 48. Carrier Conversion Cost
若：
K a → K b , K_a
\rightarrow
K_b, K a → K b , 存在：
C c o n v e r t ( K a , K b ) . C_{convert}(K_a,K_b). C co n v er t ( K a , K b ) . 例如：
GPU buffer readback；
image encoding；
latent serialization；
cloud upload；
CPU/GPU sync。
這些常比 neural FLOPs 本身更致命。
所以 OSR cost model 必須算 data movement。
49. Data Movement as First-Class Cost
定義：
C t o t a l = C c o m p u t e + C m e m o r y + C t r a n s f e r + C n e t w o r k + C s y n c . C_{total}
=
C_{compute}
+
C_{memory}
+
C_{transfer}
+
C_{network}
+
C_{sync}. C t o t a l = C co m p u t e + C m e m or y + C t r an s f er + C n e tw or k + C sy n c . 如果只看：
FLOPs , \text{FLOPs}, FLOPs , 會錯估 heterogeneous architecture。
50. Renderer Compatibility Graph
定義圖：
G R = ( R , E c o m p , E s u b , E r e f ) . G_R
=
(
\mathfrak R,
E_{comp},
E_{sub},
E_{ref}
). G R = ( R , E co m p , E s u b , E r e f ) . 其中：
E c o m p E_{comp} E co m p E s u b E_{sub} E s u b E r e f E_{ref} E r e f
Compiler 可以在這張圖上搜索 realization path。
51. Path Validity
一條 path：
ρ = r 1 → r 2 → ⋯ → r n \rho
=
r_1\rightarrow r_2\rightarrow\cdots\rightarrow r_n ρ = r 1 → r 2 → ⋯ → r n 合法需要：
O u t p u t ( r i ) ∩ I n p u t ( r i + 1 ) ≠ ∅ . Output(r_i)
\cap
Input(r_{i+1})
\neq
\varnothing. O u tp u t ( r i ) ∩ I n p u t ( r i + 1 ) = ∅ . 以及 authority / provenance / deadline 可閉合。
52. Heterogeneous Render Plan
整個 frame/world 的 plan：
P t = { ( x i , ρ i , d i , ν i , v i ) } i = 1 n . \boxed{
P_t
=
\{
(x_i,\rho_i,d_i,\nu_i,v_i)
\}_{i=1}^{n}.
} P t = {( x i , ρ i , d i , ν i , v i ) } i = 1 n . 這就是 HRF 的離散可執行近似。
53. Field Solver
第一代 Heterogeneous Field Solver：
for each manifestation scope x:
collect feasible realization paths
remove paths violating hard gates
estimate capability vector
compute obligation-relative Pareto frontier
add reuse credit
add transition cost
add stability penalty
choose candidate
repair global budget violations
repair cross-scope resource conflicts
insert verification
emit field assignment
這可以作 OSR-04 APR policy 的 downstream solver。
54. Global Resource Coupling
各 region 不是完全獨立。
例如：
∑ x G P U C o s t ( x ) ≤ B G P U . \sum_x GPUCost(x)
\le
B_{GPU}. x ∑ GP U C os t ( x ) ≤ B GP U . ∑ x C l o u d C o s t ( x ) ≤ B C l o u d . \sum_x CloudCost(x)
\le
B_{Cloud}. x ∑ C l o u d C os t ( x ) ≤ B C l o u d . ∑ x B a n d w i d t h ( x ) ≤ B N e t . \sum_x Bandwidth(x)
\le
B_{Net}. x ∑ B an d w i d t h ( x ) ≤ B N e t . 所以 field solver 最後必須做 global closure。
55. Local Utility 與 Global Budget
局部最佳：
r x ∗ r_x^* r x ∗ 不保證：
{ r x ∗ } \{r_x^*\} { r x ∗ } 全域可行。
所以：
Local Best ⇏ Global Feasible . \boxed{
\text{Local Best}
\not\Rightarrow
\text{Global Feasible}.
} Local Best ⇒ Global Feasible . APR-04 將專門處理這個 budget governance。
56. Renderer Scarcity
若 cloud GPU quota：
B c l o u d ↓ , B_{cloud}\downarrow, B c l o u d ↓ , 某些 region 必須降級。
這不是 failure。
只要：
minimum \text{minimum} minimum 仍滿足，就是：
DEGRADED . \text{DEGRADED}. DEGRADED . 所以 quality tier 本來就應是動態狀態。
57. Renderer Market Analogy
不同 renderer 可以視為競爭有限預算的 bidder。
但本文不要求真的實作經濟市場。
只抽象：
B i d ( r , x ) = ( Gain , Cost , Urgency , Risk , Confidence ) . Bid(r,x)
=
(
\text{Gain},
\text{Cost},
\text{Urgency},
\text{Risk},
\text{Confidence}
). B i d ( r , x ) = ( Gain , Cost , Urgency , Risk , Confidence ) . Global solver 依 budget 分配。
58. Renderer Selection 不等於 AI 自由決策
所有 selection 仍 subject to：
Γ t . \Gamma_t. Γ t . 包括：
privacy；
fairness；
safety；
multiplayer visibility；
creator policy；
deterministic mode。
所以：
Renderer Flexibility ≠ Unbounded Authority . \boxed{
\text{Renderer Flexibility}
\neq
\text{Unbounded Authority}.
} Renderer Flexibility = Unbounded Authority . 59. World Truth Boundary
不管哪個 renderer 被選中：
O u t p u t r Output_r O u tp u t r 都不能自動成為：
F W . F_W. F W . 尤其：
R n e u r a l . R_{\mathrm{neural}}. R neural . OSR-05 將完整處理此問題。
60. Progressive Manifestation
某 scope 可以先：
D 1 D_1 D 1 立即顯現，
之後升級：
D 2 , D 3 , D 4 . D_2,
D_3,
D_4. D 2 , D 3 , D 4 . 所以：
Visible Early + Refine Later \boxed{
\text{Visible Early}
+
\text{Refine Later}
} Visible Early + Refine Later 是合法策略。
這比：
WaitForPerfectFrame \text{WaitForPerfectFrame} WaitForPerfectFrame 更適合 cloud enhancement。
61. Deadline-Aware Refinement
若：
t < d i , t<d_i, t < d i , 可以繼續 refinement。
一旦：
t ≥ d i , t\ge d_i, t ≥ d i , 必須至少 commit minimum。
所以：
preferred \boxed{
\text{preferred}
} preferred 不能阻塞：
minimum . \text{minimum}. minimum . 62. Asynchronous Region Upgrade
不同 region 可以不同時間升級：
background : D 1 → D 2 , \text{background}:D_1\rightarrow D_2, background : D 1 → D 2 , face : D 2 → D 4 , \text{face}:D_2\rightarrow D_4, face : D 2 → D 4 , hazard : D 3 fixed . \text{hazard}:D_3\text{ fixed}. hazard : D 3 fixed . 只要 transition 不破壞 temporal coherence。
63. Temporal Pop Penalty
定義：
C p o p = D ( A p p e a r a n c e b e f o r e , A p p e a r a n c e a f t e r ) . C_{pop}
=
D(
Appearance_{before},
Appearance_{after}
). C p o p = D ( A pp e a r an c e b e f or e , A pp e a r an c e a f t er ) . 如果 upgrade 造成過大：
C p o p > τ , C_{pop}>\tau, C p o p > τ , 應採：
blend；
delayed switch；
latent interpolation；
transition mask。
64. Appearance Continuity
Renderer switch 必須盡量保留：
Identity , Color , Lighting , Material , Motion . \text{Identity},
\text{Color},
\text{Lighting},
\text{Material},
\text{Motion}. Identity , Color , Lighting , Material , Motion . 所以 transition 本身也是 renderer problem。
65. Domain-Specific Renderer Priors
不同 domain 可以提供 prior。
例如 anime game：
P ( R s e m a n t i c / s t y l i z e d ) ↑ . P(R_{\mathrm{semantic/stylized}})
\uparrow. P ( R semantic/stylized ) ↑ . photoreal cinematic：
P ( R r a y / n e u r a l ) ↑ . P(R_{\mathrm{ray/neural}})
\uparrow. P ( R ray/neural ) ↑ . competitive game：
P ( R d e t e r m i n i s t i c ) ↑ . P(R_{\mathrm{deterministic}})
\uparrow. P ( R deterministic ) ↑ . 但 prior 不是 hard rule。
66. Hardware-Specific Priors
RTX 3070：
B l o c a l N B_{localN} B l oc a l N 與：
B r a y B_{ray} B r a y 有限。
Cloud available 時：
P ( R c l o u d N ) P(R_{\mathrm{cloudN}}) P ( R cloudN ) 可能提高。
RTX 5090：
P ( R l o c a l N ) P(R_{\mathrm{localN}}) P ( R localN ) 可能提高。
所以 OSR plan 必須硬體相對。
67. Dynamic Capability
若 GPU load：
L o a d G P U ↑ , Load_{GPU}\uparrow, L o a d GP U ↑ , 則 local backend capability：
κ t ( r ) \kappa_t(r) κ t ( r ) 改變。
若 network：
R T T ↑ , RTT\uparrow, R T T ↑ , cloud capability 也改變。
所以 capability registry 必須允許 runtime update。
68. Capability Revision
每次重要 capability change 產生：
K R e v i s i o n t . KRevision_t. K R e v i s i o n t . PRC 若發現：
K R e v i s i o n t ≠ K R e v i s i o n p l a n , KRevision_t
\neq
KRevision_{plan}, K R e v i s i o n t = K R e v i s i o n pl an , 可觸發：
Δ P . \Delta P. Δ P . 這與 OSR-02 incremental compilation 相容。
69. 第一代 Benchmark Matrix
OSR-03 至少比較：
Scene Class
Raster
Ray
Reuse
Local Neural
Cloud Neural
Hybrid
static background
character face
reflective object
foliage
fast motion
disocclusion
hazard overlay
量測：
Q , S , T , L , C , D , P . Q,S,T,L,C,D,P. Q , S , T , L , C , D , P . 70. Ablation
需要至少：
A0
Pure Raster.
A1
Raster + Ray.
A2
Raster + Local Neural.
A3
Raster + Cloud Neural.
A4
Raster + Reuse + Local Neural.
A5
Full Heterogeneous OSR.
如此才能知道：
O S R OSR O S R 的收益來自哪裡。
71. 研究假說
H1｜No Universal Renderer
不存在一個 renderer 在所有 benchmark domain 同時支配：
Q , S , T , L , C , D , P . Q,S,T,L,C,D,P. Q , S , T , L , C , D , P . H2｜Heterogeneous Dominance
存在 workload，使：
U t i l i t y ( P h e t e r o ) > max r U t i l i t y ( P r ) . Utility(P_{hetero})
>
\max_r Utility(P_r). U t i l i t y ( P h e t er o ) > r max U t i l i t y ( P r ) . 也就是混合方案優於任一單一 renderer。
H3｜Reuse Dominance in Stable Regions
若：
Δ W t ( x ) → 0 , \Delta W_t(x)\rightarrow0, Δ W t ( x ) → 0 , 則：
R r e u s e R_{\mathrm{reuse}} R reuse 在 cost-normalized utility 上應逐漸占優。
H4｜Neural Value in Appearance-Heavy Regions
對高 appearance complexity、低 world-structure ambiguity scope：
R n e u r a l R_{\mathrm{neural}} R neural 應具有高邊際價值。
H5｜Switching Hysteresis Improves Temporal Stability
加入：
C s w i t c h C_{switch} C s w i t c h 與：
τ s w i t c h \tau_{switch} τ s w i t c h 後，renderer thrashing 與 visual pop 應下降。
72. 可反證條件
F1｜Single Backend Dominance
若在目標硬體與 workload 中，一個 backend 幾乎在所有指標全面支配，HRF 的動態異質性價值會下降。
F2｜Composition Cost Too High
若：
C c o n v e r t + C s y n c C_{convert}
+
C_{sync} C co n v er t + C sy n c 大於 heterogeneous gain，組合式 rendering 不值得。
F3｜Switch Instability
若 renderer switching 導致 temporal quality 顯著下降，field solver 失敗。
F4｜Cloud Marginal Value Too Low
若 cloud neural 在 latency / cost / quality 綜合後幾乎從不被選中，cloud plane 應被移出 critical architecture。
F5｜Semantic Partition Overhead
若 object / semantic partition 比 screen-space simple policy 成本過高，第一代 MVP 應退回更粗 partition。
F6｜Verification Erases Gain
若 neural region 的 verification 成本長期大於 neural enhancement value，該 backend 在此 domain 不應使用。
73. 第一代 MVP 實作策略
本篇仍不直接做 MVP。
但為白皮書先固定最小實作：
R M V P = { Raster , Reuse , LocalNeural , CloudNeural , Semantic } . \mathfrak R_{MVP}
=
\{
\text{Raster},
\text{Reuse},
\text{LocalNeural},
\text{CloudNeural},
\text{Semantic}
\}. R M V P = { Raster , Reuse , LocalNeural , CloudNeural , Semantic } . Ray 可以作 optional enhancement。
Path tracing 先作 reference / oracle。
這樣最容易先驗證 HRF 本身。
74. 為什麼第一代不必全做
如果一開始同時完成：
DXR；
Vulkan；
path tracer；
local diffusion；
cloud multimodal；
semantic renderer；
會把問題變成 graphics engine project。
OSR MVP 真正需要驗證的是：
heterogeneous selection \boxed{
\text{heterogeneous selection}
} heterogeneous selection 而不是 renderer implementation completeness。
75. 3070 的實驗價值
較舊 GPU 反而可以作為更好的壓力條件。
如果：
B l o c a l B_{local} B l oc a l 非常充足，
heterogeneous/cloud selection 的效益不容易顯現。
所以 3070 可以當：
constrained local baseline . \boxed{
\text{constrained local baseline}.
} constrained local baseline . 研究：
LocalWeak + CloudSparse + Reuse \text{LocalWeak}
+
\text{CloudSparse}
+
\text{Reuse} LocalWeak + CloudSparse + Reuse 是否比：
LocalOnly \text{LocalOnly} LocalOnly 具有較高 perceived utility。
76. Renderer Field Visualization
未來 debug UI 可以直接顯示：
blue = reuse
green = raster
yellow = ray
purple = local neural
red = cloud neural
white = semantic / mandatory
這不是 final user view。
而是 developer visualization：
R t ( x ) . \mathcal R_t(x). R t ( x ) . 如此可以直接看到 compiler 在哪裡花錢。
77. Render Cost Heatmap
同理可畫：
C t ( x ) . C_t(x). C t ( x ) . 以及：
U t ( x ) . U_t(x). U t ( x ) . 比較：
U t ( x ) C t ( x ) . \frac{U_t(x)}{C_t(x)}. C t ( x ) U t ( x ) . 這會成為 APR-04 的重要觀測工具。
78. Heterogeneous Rendering Field 的核心定義
本篇最終定義：
H R F t = { R t ( x ) : x ∈ Ω t } . \boxed{
HRF_t
=
\{
\mathcal R_t(x)
:
x\in\Omega_t
\}.
} H R F t = { R t ( x ) : x ∈ Ω t } . 其中：
R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x ) ) . \mathcal R_t(x)
=
(
r_t(x),
d_t(x),
\nu_t(x),
h_t(x),
v_t(x)
). R t ( x ) = ( r t ( x ) , d t ( x ) , ν t ( x ) , h t ( x ) , v t ( x )) . HRF 不只描述：
這裡用了什麼 renderer。
它同時描述：
用到什麼表示深度、更新頻率、歷史策略與驗證要求。
79. 核心命題集
P1｜No Universal Renderer
∄ r ∗ : r ∗ universally dominates all realization dimensions . \boxed{
\not\exists r^*
:
r^*
\text{ universally dominates all realization dimensions}.
} ∃ r ∗ : r ∗ universally dominates all realization dimensions . P2｜One Frame, Many Realizations
OneFrame ⇏ OneRenderer . \boxed{
\text{OneFrame}
\not\Rightarrow
\text{OneRenderer}.
} OneFrame ⇒ OneRenderer . P3｜One Object, Many Realizations
OneObject ⇏ OneRenderer . \boxed{
\text{OneObject}
\not\Rightarrow
\text{OneRenderer}.
} OneObject ⇒ OneRenderer . P4｜Obligation-Relative Substitution
r a ≡ μ r b \boxed{
r_a
\equiv_{\mu}
r_b
} r a ≡ μ r b 只在特定 obligation 下成立。
P5｜Composition
r a → r b \boxed{
r_a\rightarrow r_b
} r a → r b 可以比單一 renderer 更有價值。
P6｜Refinement
r a ⪯ r e f r b \boxed{
r_a
\preceq_{ref}
r_b
} r a ⪯ r e f r b 不表示 r b r_b r b r a r_a r a
P7｜Reuse as Compute Asset
PastValidWork = ComputeAsset . \boxed{
\text{PastValidWork}
=
\text{ComputeAsset}.
} PastValidWork = ComputeAsset . P8｜Switching Has Cost
RendererChange ≠ Free . \boxed{
\text{RendererChange}
\neq
\text{Free}.
} RendererChange = Free . P9｜Display Frequency Separation
f r e n d e r e r ( x ) ≠ f d i s p l a y . \boxed{
f_{renderer}(x)
\neq
f_{display}.
} f r e n d er er ( x ) = f d i s pl a y . P10｜Local–Cloud Complementarity
LocalBase + CloudSparseEnhancement \boxed{
\text{LocalBase}
+
\text{CloudSparseEnhancement}
} LocalBase + CloudSparseEnhancement 可以是一個獨立 architecture class。
80. 結論
OSR-03 的核心不是提出另一個 renderer。
它提出的是：
renderer plurality as a first-class runtime state . \boxed{
\text{renderer plurality as a first-class runtime state}.
} renderer plurality as a first-class runtime state . 在這個框架中：
Raster 不需要被淘汰。
Ray 不需要統治整幀。
Neural 不需要取代 geometry。
Cloud 不需要承擔全部 display frequency。
Reuse 不只是 optimization trick。
Semantic output 也不必被視為非渲染。
它們都可以是：
different realizations of observer-relative manifestation obligations . \boxed{
\text{different realizations of observer-relative manifestation obligations}.
} different realizations of observer-relative manifestation obligations . 因此未來的問題不再是：
Raster、Ray、Neural 到底誰贏？
而是：
對這個 observer、這個 scope、這個時刻、這個 deadline、這個 budget，哪一種 realization 或哪一條 composition path 最值得被使用？
於是 rendering architecture 從：
Renderer → Frame \text{Renderer}
\rightarrow
\text{Frame} Renderer → Frame 轉為：
ManifestationObligation → HeterogeneousRenderingField → VerifiedVisibleWorld . \boxed{
\text{ManifestationObligation}
\rightarrow
\text{HeterogeneousRenderingField}
\rightarrow
\text{VerifiedVisibleWorld}.
} ManifestationObligation → HeterogeneousRenderingField → VerifiedVisibleWorld . 而真正決定這個 field 如何隨資源、風險、不確定性與重觀察需求動態變化的，就是下一篇要引入的 APR。
81. 下一篇
OSR-04
《APR 治理的自適應渲染：感知預算、表示深度與動態重算》
下一篇將正式把：
A P R APR A P R 接入：
H R F t . HRF_t. H R F t . 研究：
perceptual budget；
renderer budget；
representation depth；
revisit frequency；
uncertainty-triggered rerender；
risk reserve；
marginal information value；
cloud cost；
local load；
global closure。
核心問題：
When should the rendering field change? \boxed{
\text{When should the rendering field change?}
} When should the rendering field change? 參考資料
EveMissLab / OSR
Neo.K. 從萬能光到觀察者主權渲染：理論譜系重構與研究綱領 . OSR-00, v0.1, 2026.
Neo.K. 我們到底想看什麼？觀察者、目的與顯現場 . OSR-01, v0.1, 2026.
Neo.K. 從射線到觀察探針：廣義觀察算子與感知渲染編譯器 . OSR-02, v0.1, 2026.
EveMissLab. APR — Adaptive Perceptual Reading / Agentic Perception Runtime . https://github.com/kakon77777-commits/APR
EveMissLab. PNCW — Projection-Native Computational World . https://github.com/kakon77777-commits/PNCW
EveMissLab. MRMIC/NVCL . https://github.com/kakon77777-commits/MRMIC_NVCL
外部研究
Wang, Y.-C., Kettunen, M., Lin, D., Wyman, C., Wu, L., & Zhao, S. Real-Time Level-of-Detail Rendering with ReSTIR . SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wang2026levelofdetail/
Hong, P., Zhang, S., Lin, D., Kettunen, M., Wyman, C., & Yuksel, C. Multi-Layer Reservoir Splatting for Temporal Reuse under Disocclusion . SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/hong2026multilayer/
Wu, L., Lu, H., Xu, B., Hašan, M., & Ramamoorthi, R. 8DNA: 8D Neural Asset Light Transport by Distribution Learning . SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wu20268dna/
Perel, O., Abu Alhaija, H., Wang, Z., Munkberg, J., Atzmon, M., Fidler, S., & Shugrina, M. TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions . 2026. https://research.nvidia.com/labs/sil/projects/tron/
NVIDIA ADLR. DLSS 5: Generative Neural Rendering . 2026. https://research.nvidia.com/labs/adlr/DLSS5/
NVIDIA Real-Time Graphics Research. Publications and Projects . 2026. https://research.nvidia.com/labs/rtr/
附錄 A｜一句話版本
OSR-03 將 Raster、Ray、Path、Reuse、Local Neural、Cloud Neural 與 Semantic 從互相競爭的「整體 renderer」重寫成可在空間、時間、物件與表示深度上共同存在的 realization classes，並以 capability、substitution、composition、refinement、transition cost 與 Pareto frontier 決定它們如何形成一個動態異質渲染場。