Supersampling - Supersampling

Výpočet hodnoty konečné barvy
Porovnání vykreslené scény bez (levá strana) a s použitým supersamplingovým vyhlazováním (vpravo). (Neaplikování AA je analogické interpolaci nejbližšího souseda .)

Supersampling nebo supersampling anti-aliasing ( SSAA ) je metoda prostorového vyhlazování , tj. Metoda používaná k odstraňování aliasingu (zubaté a pixelované hrany, hovorově známé jako „ jaggies “) z obrázků vykreslených v počítačových hrách nebo jiných počítačových programech, které generují snímky . Aliasing se vyskytuje, protože na rozdíl od skutečných objektů, které mají spojité hladké křivky a čáry, obrazovka počítače zobrazuje divákovi velké množství malých čtverců. Všechny tyto pixely mají stejnou velikost a každý má jednu barvu. Řádek lze zobrazit pouze jako soubor pixelů, a proto se zdá být zubatý, pokud není dokonale vodorovný nebo svislý. Cílem převzorkování je snížit tento účinek. Barevné vzorky jsou odebírány v několika instancích uvnitř pixelu (nejen ve středu jako obvykle) a je vypočítána průměrná hodnota barvy. Toho je dosaženo vykreslením obrazu v mnohem vyšším rozlišení, než jaké je zobrazeno, a následným zmenšením na požadovanou velikost pomocí extra pixelů pro výpočet. Výsledkem je převzorkovaný obraz s plynulejšími přechody z jedné řady pixelů do druhé podél okrajů objektů.

Počet vzorků určuje kvalitu výstupu .

Motivace

Aliasing se u 2D obrazů projevuje jako moaré vzor a pixelované hrany, hovorově známé jako „ jaggies “. Společné znalosti o zpracování signálu a zpracování obrazu naznačují, že k dosažení dokonalého vyloučení aliasingu je po aplikaci 2D vyhlazovacího filtru vyžadováno správné prostorové vzorkování rychlostí Nyquist (nebo vyšší) . Vzhledem k tomu, že tento přístup by vyžadoval dopřednou a inverzní Fourierovu transformaci , byly vyvinuty výpočetně méně náročné aproximace, jako je převzorkování, aby se zabránilo přepínání domén pobytem v prostorové doméně („doména obrazu“).

Metoda

Výpočetní náklady a adaptivní převzorkování

Supersampling je výpočetně nákladný, protože vyžaduje mnohem větší paměť grafické karty a šířku pásma paměti , protože množství použité vyrovnávací paměti je několikanásobně větší. Tento problém lze obejít pomocí techniky známé jako adaptivní převzorkování , kde se převzorkují pouze pixely na okrajích objektů.

Zpočátku je v každém pixelu odebráno jen několik vzorků. Pokud jsou tyto hodnoty velmi podobné, použijí se k určení barvy pouze tyto vzorky. Pokud ne, použije se více. Výsledkem této metody je, že vyšší počet vzorků se počítá pouze tam, kde je to nutné, čímž se zlepšuje výkon.

Vzory převzorkování

Při odebírání vzorků v pixelu je nutné určitým způsobem určit polohy vzorků. I když je počet způsobů, jak toho lze dosáhnout, nekonečný, běžně se používá několik způsobů.

  • Mřížkový algoritmus v rovnoměrném rozdělení

  • Algoritmus rotované mřížky (s dvojnásobnou hustotou vzorku)

  • Náhodný algoritmus

  • Algoritmus chvění

  • Algoritmus Poissonova disku

  • N-Rooks

  • RGSS

  • Vyhlazování s vysokým rozlišením (HRAA), Quincunx

  • Flipquad

  • Fliptri

Mřížka

Nejjednodušší algoritmus . Pixel je rozdělen na několik subpixelů a ze středu každého je odebrán vzorek. Jeho implementace je rychlá a snadná. I když vzhledem k běžné povaze vzorkování může aliasing stále nastat, pokud je použit nízký počet subpixelů.

Náhodný

Také známý jako stochastické vzorkování, vyhýbá se pravidelnosti supersamplingu mřížky. Avšak kvůli nepravidelnosti vzoru jsou vzorky v některých oblastech pixelu zbytečné a v jiných chybí.

Poissonův disk

Ukázky bodů generované pomocí vzorkování Poissonova disku a grafické znázornění minimální vzdálenosti mezi body
Nesmí být zaměňována s Poissonovým vzorkováním .

Algoritmus vzorkování disku Poisson umístí vzorky náhodně, ale poté zkontroluje, zda žádné dva nejsou příliš blízko. Konečným výsledkem je rovnoměrné, ale náhodné rozdělení vzorků. Výpočtový čas potřebný pro tento algoritmus je však příliš velký na to, aby ospravedlnil jeho použití při vykreslování v reálném čase , pokud není samotné vzorkování výpočetně nákladné ve srovnání s umístěním vzorkovacích bodů nebo pokud nejsou vzorkované body přemístěny pro každý jednotlivý pixel.

Roztřesený

Modifikace mřížkového algoritmu pro aproximaci Poissonova disku. Pixel je rozdělen na několik subpixelů, ale vzorek není odebrán ze středu každého, ale z náhodného bodu v subpixelu. Shromáždění může stále nastat, ale v menší míře.

Otočená mřížka

Používá se rozložení mřížky 2 × 2, ale vzorový vzorek se otáčí, aby se zabránilo zarovnání vzorků na vodorovné nebo svislé ose, což výrazně zlepšuje kvalitu vyhlazování pro nejčastěji se vyskytující případy. Pro optimální vzorek je úhel rotace arctan ( 1 / 2 ) (asi 26,6 °) a čtverec se natáhne o faktor √ 5 / 2 .

Viz také

Reference

externí odkazy