在完成高光反射的 GGX 预过滤后，我们还需要处理环境光的漫反射部分。本阶段（Stage 3）将基于 Lambert 分布对环境贴图进行无权重预过滤，生成用于漫反射计算的环境数据。与高光反射的方向性不同，漫反射是光线在粗糙表面的均匀散射，因此需要用更适合均匀分布的 Lambert 模型进行预过滤。
核心目标
漫反射的核心特性是 “光线在表面向所有方向均匀散射”，其强度仅与光线入射角（与法线的夹角）相关。本阶段的目标是：
- 基于 Lambert 分布生成均匀的半球采样方向；
- 对环境贴图进行 “无权重平均”（所有方向贡献均等），得到漫反射环境光的预过滤结果；
- 将结果存储在环境图集的指定区域，与之前的高光数据形成完整的 PBR 环境数据集合。
准备工作
- 前置条件：已完成 Stage 1（基础环境图集）和 Stage 2（GGX 高光预过滤），获得包含多级数据的
envAtlas； - 输入资源：
sourceCube（原始立方体贴图）、envAtlas（待写入漫反射数据的图集）； - 工具依赖：Three.js 环境（
renderer、scene、camera）、SampleGenerator（已实现 Lambert 样本生成）； - 理论基础：了解 Lambert 漫反射模型（
diffuse = (albedo / π) * irradiance），其中irradiance是环境光在半球上的平均强度（本阶段预计算的核心）。
Lambert 漫反射与无权重预过滤
Lambert 模型描述了理想漫反射表面的反射规律：光线入射后向所有方向均匀散射，反射强度仅与光线与法线的夹角余弦（n·l）成正比。对于环境光的漫反射计算，需要预计算辐照度（Irradiance）—— 即环境光在半球上的平均强度（对所有方向的环境光进行积分）。
与 GGX 高光预过滤的 “加权平均” 不同，Lambert 预过滤是 **“无权重平均”**：所有方向的环境光贡献均等（仅需考虑方向是否在半球上），因此采样时不需要按分布权重加权，直接取平均即可。
实现步骤详解
步骤 1：明确 Stage 3 的图集存储区域
漫反射预过滤结果通常只需一个级别（因为漫反射对细节不敏感，低分辨率即可满足需求）。以 512x512 图集为例，存储位置为：
| 用途 | 图集内位置（x,y） | 分辨率（宽 x 高） | 说明 |
|---|---|---|---|
| 漫反射辐照度 | (128s, 384s) | 64x32 | 位于 Stage 1 和 Stage 2 数据的中间区域，尺寸为 64x32（2:1 等矩形比例） |
s = size / 512：适配不同图集尺寸（如 512x512 时s=1，256x256 时s=0.5）。
步骤 2：生成 Lambert 样本
漫反射的均匀特性决定了采样方向需要在半球上均匀分布，SampleGenerator.generateLambertSamples负责生成这些样本：
// 生成2048个Lambert样本（均匀分布在半球上）
const samples = SampleGenerator.generateLambertSamples(2048, sourceTotalPixels);
// 将样本打包为纹理，供片段着色器解码
const samplesTex = SampleGenerator.createSampleTexture(samples);
- 样本内容：每个样本包含一个均匀分布在半球上的方向向量（
L）和对应的 MIP 级别（控制环境贴图采样精度）； - 2048 个样本：平衡精度与性能（样本