Суперсэмплинг
Суперсэмплинг или сглаживание суперсэмплинга ( SSAA ) — это метод пространственного сглаживания , то есть метод, используемый для удаления алиасинга (неровных и пиксельных краев, в просторечии известных как « ступенчатость ») из изображений, визуализируемых в компьютерных играх или других компьютерных программах, генерирующих изображения. . Псевдонимы возникают потому, что в отличие от объектов реального мира, которые имеют непрерывные плавные кривые и линии, экран компьютера показывает зрителю большое количество маленьких квадратов. Все эти пиксели имеют одинаковый размер и каждый имеет один цвет. Линия может отображаться только как набор пикселей и поэтому выглядит неровной, если она не является идеально горизонтальной или вертикальной. Цель суперсэмплинга — уменьшить этот эффект. Образцы цвета берутся в нескольких точках внутри пикселя (а не только в центре, как обычно), и вычисляется среднее значение цвета. Это достигается за счет рендеринга изображения с гораздо более высоким разрешением , чем отображаемое, а затем его сжатия до желаемого размера, используя дополнительные пиксели для вычислений. Результатом является пониженное разрешение изображения с более плавными переходами от одной строки пикселей к другой по краям объектов. Количество выборок определяет качество вывода .
Мотивация [ править ]
Алиасинг проявляется в случае 2D-изображений в виде муара и пиксельных краев, в просторечии известных как « зубцы ».Общие знания в области обработки сигналов и изображений позволяют предположить, что для достижения идеального устранения наложения спектров правильная пространственная выборка с частотой Найквиста (или выше) после применения фильтра 2D-сглаживания требуется . Поскольку этот подход потребовал бы прямого и обратного преобразования Фурье , были разработаны менее требовательные к вычислениям аппроксимации, такие как суперсэмплинг, чтобы избежать переключения доменов, оставаясь в пространственной области («области изображения»).
Метод [ править ]
затраты и адаптивная Вычислительные суперсэмплинг
Суперсэмплинг требует больших вычислительных затрат, поскольку требует гораздо большей видеокарты памяти и пропускной способности памяти , поскольку объем используемого буфера в несколько раз больше. [1] Способ обойти эту проблему — использовать метод, известный как адаптивная суперсэмплинг , при котором суперсэмплингу подвергаются только пиксели на краях объектов.
Первоначально в каждом пикселе берется всего несколько образцов. Если эти значения очень похожи, для определения цвета используются только эти образцы. Если нет, то используется больше. Результатом этого метода является то, что большее количество выборок рассчитывается только там, где это необходимо, что повышает производительность.
Шаблоны суперсэмплинга [ править ]
При взятии выборок внутри пикселя необходимо каким-то образом определить положения выборок. Хотя количество способов, которыми это можно сделать, бесконечно, есть несколько наиболее распространенных способов. [1] [2]
Сетчатый алгоритм в равномерном распределении
Алгоритм повернутой сетки (с удвоенной плотностью выборки)
Случайный алгоритм
Алгоритм джиттера
Алгоритм диска Пуассона
метода квази-Монте-Карло Алгоритм
N-ладьи
РГСС
Сглаживание высокого разрешения (HRAA), Quincunx
Флипквад
Флитри
Сетка [ править ]
Самый простой алгоритм . Пиксель разбивается на несколько субпикселей, и из центра каждого берется образец. Это быстро и легко реализовать. Хотя из-за регулярного характера выборки псевдонимы все равно могут возникать, если используется небольшое количество субпикселей.
Случайный [ править ]
Также известный как стохастическая выборка, он позволяет избежать регулярности суперсэмплинга сетки. Однако из-за нерегулярности шаблона выборки в некоторых областях пикселя оказываются ненужными и отсутствуют в других. [3]
Пуассоновский диск [ править ]
Алгоритм выборки диска Пуассона [4] размещает образцы случайным образом, но затем проверяет, не находятся ли любые два слишком близко. Конечным результатом является равномерное, но случайное распределение образцов. Наивный алгоритм «бросания дротиков» чрезвычайно медленный для больших наборов данных, что когда-то ограничивало его применение для рендеринга в реальном времени . [3] Однако в настоящее время существует множество быстрых алгоритмов для генерации шума диска Пуассона, даже с переменной плотностью. [5] [6] [7] Набор Делоне дает математическое описание такой выборки.
Взволнованный [ править ]
Модификация сеточного алгоритма для аппроксимации диска Пуассона. Пиксель разбивается на несколько субпикселей, но выборка берется не из центра каждого, а из случайной точки внутри субпикселя. Конгрегация все еще может иметь место, но в меньшей степени. [3]
Повернутая сетка [ править ]
Используется сетка 2×2, но образец образца поворачивается, чтобы избежать выравнивания образцов по горизонтальной или вертикальной оси, что значительно улучшает качество сглаживания в наиболее часто встречающихся случаях. Для оптимальной схемы угол поворота равен арктансу ( 1/2 около 26,6 ( ) °) и квадрат растягивается в раз. √ 5 / 2 [8] [ нужна ссылка ] , что делает его также решением с 4 ферзями .
См. также [ править ]
- Передискретизация
- Мультисэмпловое сглаживание
- Квинконкс
- Видеокарта
- Графический процессор
- Трассировка лучей (графика)
- Кадровый буфер
- Игровой движок
- Масштабирование изображения
- 2×SaI
- Суперсэмплинг глубокого обучения
Ссылки [ править ]
- ^ Jump up to: Перейти обратно: а б «Сравнение методов сглаживания» . sapphirenation.net. 29 ноября 2016 г. Проверено 19 апреля 2020 г.
Вообще говоря, SSAA обеспечивает исключительное качество изображения, но здесь существенно снижается производительность, поскольку сцена визуализируется с очень высоким разрешением.
- ^ «Что такое суперсэмплинг?» . all2.com. 20 мая 2004 г. Проверено 19 апреля 2020 г.
- ^ Jump up to: Перейти обратно: а б с Аллен Шеррод (2008). Графическое программирование игр . Чарльз Ривер Медиа. п. 336. ИСБН 978-1584505167 .
- ^ Кук, Р.Л. (1986). «Стохастическая выборка в компьютерной графике» . Транзакции ACM с графикой . 5 (1): 51–72. дои : 10.1145/7529.8927 . S2CID 8551941 .
- ^ Данбар, Дэниел; Хамфрис, Грег (2006). «Пространственная структура данных для быстрой генерации выборки диска Пуассона» . ACM SIGGRAPH 2006 Статьи по SIGGRAPH '06 . п. 503. дои : 10.1145/1179352.1141915 . ISBN 1595933646 . S2CID 13954223 . Проверено 7 января 2023 г.
- ^ Бридсон, Роберт (2007). «Быстрая выборка диска Пуассона в произвольных размерах» (PDF) . Эскизы ACM SIGGRAPH 2007 . п. 22. дои : 10.1145/1278780.1278807 . ISBN 9781450347266 . S2CID 3129455 . Проверено 7 января 2023 г.
- ^ Дворк, Н; Барон, Калифорния; Джонсон, EMI; О'Коннор, Д; Поли, Дж. М.; Ларсон, PEZ (апрель 2021 г.). «Быстрая генерация образцов с помощью диска Пуассона переменной плотности с изменением направления для измерения сжатых данных в МРТ» . Магнитно-резонансная томография . 77 : 186–193. дои : 10.1016/j.mri.2020.11.012 . ПМЦ 7878411 . ПМИД 33232767 .
- ^ «Анализ сглаживания супервыборки» (PDF) . Beyond3D.com . Проверено 19 апреля 2020 г.
Внешние ссылки [ править ]
- «Сглаживание высокого разрешения (HRAA)» . Техническое описание: сглаживание высокого разрешения посредством мультисэмплинга . Проверено 22 апреля 2017 г.
- «Что такое суперсэмплинг (техника сглаживания)?» . База знаний по аппаратному обеспечению . Архивировано из оригинала 25 марта 2006 г. Проверено 1 мая 2006 г.
- Гетройер, Паскаль (2011). «Интерполяция изображений с помощью контурных трафаретов» . Обработка изображений в режиме онлайн . 1 : 70–82. doi : 10.5201/ipol.2011.g_iics . Проверено 21 октября 2010 г.