Nanite 把"每个像素一个三角形"变成了可行的事，核心不在光栅化，而在剔除——每帧从几亿三角形里只活下来的几百万个送进光栅器。这块代码在 Engine/Source/Runtime/Renderer/Private/Nanite/（UE5.3），入口是 NaniteCullRaster.cpp。下面按一帧的执行顺序拆开。
离线构建：Cluster DAG
剔除的前提是数据结构。导入网格时 NaniteBuilder（Engine/Private/NaniteBuilder）做的事：
- 三角形按 ~128 个一组切成 cluster；
- cluster 按空间邻近合并成 cluster group，组内做简化（保留边界锁定的 quadric 简化）；
- 简化结果再切 cluster，递归直到只剩一个——形成一棵 DAG，每个节点存误差界（error bound）：父节点是子节点集的简化版本，父子误差单调。
128 这个数不是拍脑袋。往下，cluster 越小 DAG 切割粒度越细，单 cluster 的投影误差越容易压进 1 像素阈值；往上，cluster 越大，每 cluster 的调度、加载、包围体测试的固定开销摊得越薄。实测取值的甜点位就在百级三角形。顺带一个配套约束：cluster 内顶点数受限，局部顶点索引可以压进 8-bit，配合 strip 化索引压缩，显存里的 cluster 数据才能做到"页式流送也扛得住"的密度。
简化算法本身用的是 QEM（Quadric Error Metric）的变体：给每个顶点维护一个二次误差矩阵 $Q = \sum_{p} K_p$，其中 $K_p = p p^T$ 是关联平面 $p=(a,b,c,d)$ 的外积矩阵；收缩一条边把两端点合并到 $\bar v$ 的几何代价是
$$\text{cost} = \bar v^T (Q_1 + Q_2)\, \bar v$$
取使代价最小的 $\bar v$。QEM 的好处是误差可累积——每次收缩的代价天然形成误差界，这正好喂给 DAG 节点要存的 error bound。group 边界上的顶点被锁定不收缩，是为了相邻 group 各自简化后接缝不错位：没有这个约束，DAG 切一刀时相邻 cluster group 的边界会裂开发丝缝。
运行时剔除的本质就是在这棵 DAG 上切一刀：从根往下走，当某个节点的屏幕空间投影误差 ≤ 1 像素时停，这个节点就是该画的粒度。每个 cluster 存的 LODError / MinLODError / MaxParentError 字段就是为这个判断服务的。
投影误差的换算
"世界空间误差 ≤ 1 像素"具体怎么算？世界空间误差 $e$（单位：世界单位）投影到屏幕上的像素高度近似为
$$e_{px} \approx \frac{e \cdot h}{2\, d \tan(\theta/2)}$$
其中 $d$ 是节点包围球球心到相机的距离，$\theta$ 是垂直视场角，$h$ 是视口像素高度。剔除条件就是 $e_{px} \le \text{MaxPixelsPerEdge}$（默认 1.0）。因为 DAG 上父子误差单调（父节点误差不小于子节点集），从根往下走遇到的第一个满足条件的节点集合，构成 DAG 上的一个合法切割面，而且这个切割面对任意相机位置是唯一确定的——这就是 Nanite"连续 LOD"在数学上成立的依据：LOD 不是几个离散档位，而是 DAG 上随相机位置连续滑动的一条割线。
运行时剔除流水线
NaniteCullRaster.cpp 里的 pass 序列（RDG 声明顺序）：
InitArgs → InstanceCull → NodeAndClusterCull（pass 1）
→ Rasterize（pass 1）→ BuildHZB → NodeAndClusterCull（pass 2）→ Rasterize（pass 2）
两遍剔除的设计
为什么是两遍？遮挡剔除依赖 HZB（层级深度图），但当前帧的 HZB 要画完才有。Nanite 的做法：
- Pass 1：用上一帧的 HZB 做遮挡测试。上一帧可见、这帧大概率还可见的实例/cluster 直接通过，先画一批。这批通常覆盖 95% 以上的可见几何。
- Pass 1 画完后
BuildHZB生成本帧的 HZB。 - Pass 2：把 Pass 1 里被上一帧 HZB 判定为遮挡的节点用新 HZB 重测——相机移动后新露出的部分在这里补画。
两遍结构成立的前提是时域一致性：相邻帧的可见集合高度重叠。仔细分析两类误判：上一帧 HZB 说"可见"但本帧其实被挡住了（假阳性）——顶多多画一点，不产生错误；上一帧说"遮挡"但本帧露出来了（假阴性）——漏画，这才是要命的，pass 2 就是为它们存在的。也就是说 pass 1 用旧数据只承担"多画"的良性风险，所有"少画"的风险都被 pass 2 用本帧新 HZB 兜住。这个 two-pass 结构在 FCullingPass / Nanite::CullRasterize 里能直接看到，HZB test 的 shader 是 NaniteCulling.usf 里的 HZBCull 逻辑。实测相机高速旋转时偶尔有一帧的"漏画闪一下"，就是 pass 2 补洞的时间差。
持久线程（Persistent Threads）
cluster 数量是百万级的，每个 cluster 一个 thread 的 naive dispatch 调度开销就爆炸了。算一笔账：假设 200 万个候选 cluster，每 thread 处理一个，GPU 按 wave 调度，每 wave 几千线程，光是 wave 的派发和空转（大量 thread 测试完立即退出）就是纯浪费——剔除的工作量是数据依赖的，事先不知道每个节点要不要展开子节点，无法用静态 grid 匹配。
Nanite 的 NodeAndClusterCull 用的是持久线程模型：固定 dispatch 一组 thread（数量按 wave 算满 GPU），所有 cluster/node 放进一个全局工作队列，thread 通过原子操作抢任务，shader 里有个 while 循环反复 TryPopWorkItem。这样 GPU 占用率和候选数量解耦：thread 数固定，队列长短只决定每个 thread 循环几圈。
这个模型还顺手解决了另一个问题：node 剔除是树遍历，父节点处理完才知道要不要再派生子节点的活。传统 compute 模型里这得回 CPU 读回结果再做第二轮 dispatch，或者预分配最坏情况的间接参数；持久线程里处理完 node 可以直接把子 node push 回队列，不用回 CPU 做第二轮 dispatch。整个剔除在一次 dispatch 内完成整棵 DAG 的遍历，这是 Nanite 剔除快的结构性原因。后来 UE 把这个模式泛化成了 Work Graph API（5.x 实验性），源头就是 Nanite 这个手写版。
实例剔除 vs cluster 剔除
InstanceCull 先行：视锥剔除 + 上一帧 HZB 实例级遮挡，过不了的实例整棵 DAG 都不用走。然后 NodeAndClusterCull 对每个存活实例跑 DAG 切割。节点判定有两类输出：
IsLeaf/误差达标 → 这个 cluster 入选，写进 visible cluster 列表（QueueVisibleCluster）；- 误差超标 → 展开子节点继续。
可见 cluster 列表写到 MainAndPostPassCluster buffer，后面光栅化 pass 直接消费，CPU 全程不参与——典型的 GPU-driven 管线。
与光栅化的衔接
剔除的输出喂给 VisBuffer 光栅（NaniteRasterizer.usf）：小三角形走软件光栅（在 LDS 里算覆盖、原子写 64 位 visibility entry），大的走硬件光栅。软硬光栅的分界标准就是"三角形覆盖像素数小于某个阈值"——硬件光栅器的固定管线开销（三角形 setup、quad 粒度调度）在三角形小于一个 quad（2×2 像素）时全面亏本，软件光栅用计算换掉了这部分固定成本。VisBuffer 每个像素存的是 depth + visible cluster index + triangle index 的紧凑编码，材质信息完全不在里面——所以 Nanite 场景里几何和材质是解耦的，后面的 material classification pass 才按像素归组着色。
流送：剔除之外的另一半预算
剔除决定"画哪些"，流送决定"内存里有哪些"。Nanite 把 cluster 数据按 page 组织（FStreamingManager，NaniteStreaming.cpp，page 是定长块），剔除 pass 选中的 cluster 如果 page 还没驻留，就走 AddStreamingRequest 异步加载，本帧先用 DAG 上更粗的父节点顶着——注意这个 fallback 之所以可能，恰恰因为 DAG 保证了"父节点是子节点的合法简化版本"，任何时候退到祖先节点画面都是自洽的。这就是远处山体偶尔"糊一下再变清晰"的来源：不是 LOD 切换，是 page 未驻留时的 fallback 渲染。r.Nanite.Streaming 相关 cvar 可以调池子大小；显存吃紧的项目先查 Stat Nanite 里的 streaming 一节，requests 长期排队的场景要么减密度要么加池。
局限与实测注意事项
Nanite 不是免费午餐，两类内容要避开：
- 变形/WPO 重的材质：cluster DAG 是离线按静态几何建的，World Position Offset 幅度大了会破坏误差界假设——误差界是对静态几何证明的，顶点一旦被材质搬走，$e_{px} \le 1$ 的保证就失效了。5.3 对 WPO 的支持是"有限可用"（
r.Nanite.AllowWPO一类开关下仍保守），植被摇摆幅度要小； - 半透明和 masked 大面积重叠：VisBuffer 每像素只存一个命中，多层半透不走 Nanite，foliage 的 masked 材质叠加会退化到昂贵路径，
r.Nanite 0对比测试是必做的回归项。
读源码的入口建议
- 想看剔除主循环：
NaniteCulling.usf的NodeAndClusterCull，配合NaniteCullRaster.cpp里AddPass_NodeAndClusterCull。 - 想看 DAG 数据布局：
NaniteDataDecode.ush里的FPackedCluster/FCluster。 - 想验证行为：控制台
r.Nanite 0/1对比，Stat Nanite看每帧候选/可见 cluster 数；r.Nanite.ShowStats能直接看到 pass1/pass2 各画了多少 cluster，验证两遍剔除的分工。
Nanite 的启发不在"快"，而在它把 LOD、遮挡、调度三件事全部收编进一个数据结构（DAG）加一个调度模型（持久线程）里，换来的是整条管线没有 CPU 往返。这个思路对做任何 GPU-driven 系统都有参考价值。