真实感绘制中通常需要大量采样才能得到收敛的结果,在采样不充足的情况下,结果中常出现明显噪点,如何减少采样加快收敛是一个很重要的问题。光场具有低秩性和连续性,可以认为光场中有大量的冗余,并且相邻点之间同方向上的光场是近似的,因此可以将同方向的光排布成列,而临近点组成行,将光场组成一个矩阵。该矩阵是低秩的,可以利用在机器学习中有着广泛应用的矩阵补全算法通过稀疏采样将光场补全出来,算出周围光场对采样点的贡献。另外由于光场可以拆解成RGB三个通道,可以将矩阵扩展为三维张量,对该张量进行张量补全。基于上述理由和背景,本文探究了将张量补全应用于蒙特卡洛路径跟踪框架中的可能性,尝试在少量采样的情况下补全光场,计算贡献并得到结果。算法首先对场景中的采样点聚类,将聚类中的采样点以及聚类的各个方向分别作为行列组成一个矩阵,加上RGB通道的维度组成三维张量；利用张量补全算法,将目标光场近似地补全完整,张量中每个位置存储的是采样得到的辐射度和cos项的乘积。在采样较少的情况下,某些聚类可能由于列空间无法得到有效扩充而产生强烈噪点,并且临近的聚类之间可能因为聚类之间列空间的不一致导致出现边界。所以本文算法利用了前面一次张量补全获得的信息,除了聚类中的采样点的一致性之外,将聚类与聚类之间的光场一致性也考虑了进来,利用该信息进一步做滤波,从而提高绘制质量。本文实现了张量补全应用在路径跟踪中的算法,并进行了一些实验作为说明,证实算法的可行性和有效性。实验结果显示,低采样的情况下本文算法即可以有效降噪,并且以RMS为度量,本文算法能够有效加快收敛,能够有较低的误差。