前言:本文主要参考《Morphological Antialiasing》和《Practical Morphological Antialiasing》
1. 介绍
MSAA
有不可忽视的缺点。首先,会导致处理时间的增加。此外,在大部分平台上(旧的),使用多个渲染目标(MRT
)时,不能激活多重采样。即使在可以同时激活MRT
和MSAA
的平台上(即DirectX 10
以上),MSAA
的实现也不简单。MSAA
的另一个缺点是不能平滑非几何边缘,比如使用Alpha Test所产生的边缘——在渲染植被时经常使用。因此,如果使用MSAA
,只有在使用alpha to coverage
的情况下,植被才能抗锯齿化。
MLAA
基于识别图像中的某些模式(patterns
)。根据原论文,MLAA
算法主要分为以下三个步骤:
- 在给定的图像中找到像素之间的不连续点。
- 识别预定义的模式。
- 在这些
patterns
的附近混合颜色
而根据原论文,模式主要分为三个:L
、Z
、U
。如下图:
更加直观的解释,可以参考《Practical Morphological Antialiasing》,它的算法解释如下:
- 首先,使用深度值进行边缘检测(另外,亮度也可以用来检测边缘;也可以参考
FXAA
中的优化亮度检测的方案)。 - 然后,对于属于一个边缘的每个像素,我们计算从它到该边缘所属的两端像素的距离。这些距离定义了该像素相对于线的位置。根据下列公式进行混合操作:
该算法分三个pass
实施:
- 在第一个
pass
中,进行边缘检测,产生一个包含边缘的纹理(见图左中)。 - 在第二个
pass
中,得到与平滑的边缘相邻的每个像素的相应混合权重(即值a
)(见图右中)。要做到这一点,我们首先要检测通过像素的北面和西面边界的每条线的图案类型,然后计算每个像素到crossing edges
的距离;然后用这些来查询预先计算的区域纹理。 - 第三个也是最后一个
pass
:利用前一个过程中获得的混合权重纹理,将每个像素与其四邻进行混合。
2. Pass1 : 边缘检测
2.1 基本实现
如果我们有深度信息,就使用深度信息进行边缘检测(单独处理一张图像,可能没有深度信息,那么就使用亮度值)。具体流程:对于每一个像素,获取它四周(上下左右)领域的深度,和其本身的深度相减得到差值;然后将差值进行阈值化,得到0
或1
,存入RGBA
中(依次是:左、上、右、下)。
观看下面代码的一个疑惑:不是边缘的区域会
discard
,意义何在?个人猜测:不是边缘,就干脆别写了,反正都是vec4(0)
——这样就节省了write texture的开销。
// 以下代码来自《Practical Morphological Antialiasing》
float4 EdgeDetectionPS(float4 position: SV_POSITION,
float2 texcoord: TEXCOORD0) : SV_TARGET
{
float D = depthTex.SampleLevel(PointSampler, texcoord, 0);
float Dleft = depthTex.SampleLevel(PointSampler, texcoord, 0, -int2(1, 0));
float Dtop = depthTex.SampleLevel(PointSampler, texcoord, 0, -int2(0, 1));
float Dright = depthTex.SampleLevel(PointSampler, texcoord, 0, int2(1, 0));
float Dbottom = depthTex.SampleLevel(PointSampler, texcoord, 0, int2(0, 1));
float4 delta = abs(D.xxxx - float4(Dleft, Dtop, Dright, Dbottom));
float4 edges = step(threshold.xxxx, delta);
if (dot(edges, 1.0) == 0.0)
{
discard;
}
return edges;
}
通过这个Pass
,我们可以得到如下的结果:
2.2 深度检测的扩展
使用基于深度的边缘检测时,在两个不同角度的平面相遇的地方可能会出现一个问题:由于样本具有相同的深度,边缘将不会被检测到。一个常见的解决方案是增加法线的信息。
2.3 亮度检测
使用亮度信息来检测图像的不连续性。亮度值是由CIE XYZ(色彩空间)标准得出的:
而如果我们是在开发游戏,那么一个常见的优化方案是不考虑B
通道(因为在游戏的画面中,锯齿的来源大概率和B
无关):
float FxaaLuma(float3 rgb)
{
return rgb.y * (0.587/0.299) + rgb.x;
}
如果是使用亮度检测,一个合理的阈值是0.1
。当相对于亮度检测,深度价测的鲁棒性更强,开销更小。但亮度检测允许对阴影和镜面高光进行抗锯齿。
通过结合亮度、深度和法线,可以获得质量方面的最佳结果,但代价是执行时间较长。
3. Pass2 : 计算混合权重
为了计算混合权重,我们首先利用前一阶段获得的边缘纹理,搜索边缘所属的线条两端的距离。一旦知道了这些距离,我们就可以用它们来获取线条两端的交叉边缘。这些交叉边表明我们正在处理的模式类型。到线的两端的距离和图案的类型被用来访问预先计算的纹理。而这个预计算纹理中存取的就是对应的权重值。
这里就是大佬实现的巧妙之处了,利用两个相邻的像素共享相同的边界这个现实,在相邻的像素之间共享计算结果。
先抛开复杂的计算流程,我们只专注于最终的输出结果。以上图为例子:[1, 1]
处最后Pass
的存储结果分别是R
(用于当前像素[1, 1]
的北部混合权重)、G
([1,2]
的南部混合权重)、B
(用于当前像素[1, 1]
的西部混合权重)、A
([0,1]
的东部混合权重)。这里我们就可以看出共享结果这个巧妙技术。
PS:下面的什么北边、西边,都是类似北部的边这样的简称!
如果仔细阅读下述代码,第一个疑惑点必然是:为什么,我们只考虑北边和西边?。看看上图,这个边是[1,1]
的北边,但它也同时也是[1,2]
的南边!我们上个段落已经解释了结果各通道的意义,在结合这里的话,我们可以总结以下结论:我们每次寻边,都可以得到两个收获,一个是当前像素的权重,一个是相对像素的权重;而每一个像素都是需要四个权重,来混合周边;以[1,1]
为例子,虽然我们只寻边两次,获得了它相对北部、西部的权重,但实际上,它的南部的权重已经存在了[1,0]
的g
通道中,它的东部权重已经存储到(或者即将计算得到)了[2,1]
的A
通道中。
本人的语文水平实在有限,讲的不清楚,但希望未来的我和读者可以理解上诉的核心思想。讲了这么多,上代码:
float4 BlendingWeightCalculationPS(float4 position: SV_POSITION,
float2 texcoord: TEXCOORD0): SV_TARGET
{
float4 weights = 0.0;
// 当前像素是否存在北部的边、西部的边
float2 e = edgesTex.SampleLevel(PointSampler, texcoord, 0).rg;
[branch]
if(e.g)
{
// 寻找北部的边,获取了边的两个端点的位置
float2 d = float2(SearchXLeft(texcoord),
SearchXRight(texcoord));
// Instead of sampling between edges , we sample at -0.25,
// to be able to discern what value each edgel has.
// mad(m, a, d) : x = m * a + d
float4 coords = mad(float4(d.x, -0.25, d.y + 1.0, -0.25),
PIXEL_SIZE.xyxy, texcoord.xyxy);
float e1 = edgesTex.SampleLevel(LinearSampler, coords.xy, 0).r;
float e2 = edgesTex.SampleLevel(LinearSampler, coords.zw, 0).r;
weights.rg = Area(abs(d), e1, e2);
}
[branch]
if (e.r)
{
// 寻找西部的边,获取了边的两个端点的位置
float2 d = float2(SearchYUp(texcoord), SearchYDown(texcoord));
float4 coords = mad(float4(-0.25, d.x, -0.25, d.y + 1.0),
PIXEL_SIZE.xyxy, texcoord.xyxy);
float e1 = edgesTex.SampleLevel(LinearSampler, coords.xy, 0).g;
float e2 = edgesTex.SampleLevel(LinearSampler, coords.zw, 0).g;
weights.ba = Area(abs(d), e1, e2);
}
return weights;
}
顺序阅读代码,我们就遇到了第一个子函数SearchXLeft
,也是我们第一个需要考虑的问题——怎么寻找边的端点?
3.1 寻找边的端点(距离)
搜索到线两端的距离是通过一个迭代算法进行的,在每个迭代中检查是否已经到达了线的末端。
为了加速这一搜索,大佬利用了边缘纹理(第一个Pass
得到结果)中存储的信息是二进制的这一事实——并使用双线性滤波从像素间的位置进行查询,一次获取两个像素(见上图,这个思路可太强了)。解释一下:我们采样的不是0.0
中心处,而是0.0
和-1.0
的边界处,这样就可以利用硬件过滤,得到两个像素的信息。查询的结果就具有了判断性,可以是:
0.0
,这意味着两个像素都不包含边缘1.0
,这意味着两个像素中都存在边缘0.5
,当两个像素中只有一个包含边缘。如果返回值低于1
,我们就停止搜索。
这样处理除了可以快速判断边缘与否,还可以加速,因为我们每次获得的是两个像素的信息,例如:在-1.0
和-2.0
的边界处采样结果是1
,那么我们就可以不用管-2.0
,下次直接采样-3.0
和-4.0
的边界处——我们跳过了两个像素进行采样!
下面给出水平边缘的寻边代码:
float SearchXLeft(float2 texcoord)
{
texcoord -= float2 (1.5, 0.0) * PIXEL_SIZE;
float e = 0.0;
// We offset by 0.5 to sample between edges , thus fetching
// two in a row.
int i;
for (i = 0; i < maxSearchSteps; i++)
{
e = edgesTex.SampleLevel(LinearSampler, texcoord, 0).g;
// We compare with 0.9 to prevent bilinear access precision
// problems. [flatten]
if (e < 0.9) break;
texcoord -= float2 (2.0, 0.0) * PIXEL_SIZE;
}
// When we exit the loop without finding the end , we return
// -2 * maxSearchSteps.
return min(-2.0 * i - 2.0 * e, -2.0 * maxSearchSteps);
}
float SearchXRight(float2 texcoord) {
texcoord += float2(1.5, 0.0) * PIXEL_SIZE;
float e = 0.0;
for (int i = 0; i < maxSearchSteps; i++) {
e = edgesTex.SampleLevel(LinearSampler, texcoord, 0).g;
[flatten] if (e < 0.9) break;
texcoord += float2(2.0, 0.0) * PIXEL_SIZE;
}
return min(2.0 * i + 2.0 * e, 2.0 * maxSearchSteps);
}
代码中需要解释的地方:
- 为什么函数一开头要
+/- 1.5
个PIXEL_SIZE
?我们既然可以进入这个函数,就说明当前像素是存在对应边的(g
通道为1
)。那么我们就不需要考虑当前像素,我们应该考虑左一和左二的边缘性(这里是举个例子),因此我们应该往左偏移1.5
个单位,来符合采样条件。 - 循环过程比较简单,就不赘述了。
- 返回值的逻辑。首先,我们限定了边的最大搜索步数,用
min
来进行钳制。其次,则是 − 2.0 ∗ i − 2.0 ∗ e -2.0*i-2.0*e −2.0∗i−2.0∗e,2.0
是由于我们是跳两个像素采样一次,e
则是进行修正——因为我们是小于1
就截止搜素,此时就会有两种情况,要么两个像素都不是边,要么临近的那个是,我们要区分这两种情况。
代码补充理解,举个例子,目前我们传入的像素坐标是上图的1.0
处(最右边,下面那个),然后我们首先要向左偏移1.5
个像素距离,这样我们采样的位置就位于0.0
和-1.0
中间处,所以会进行双线性插值(实际上这个特殊位置只会受到左右两边像素的影响),这里采样值是1.0
,我们就知道这两个像素都是边,所以我们在循环中,每次跳两个像素。而一旦采样值低于1
,则说明这次验证的两个像素中,左边那个不是边,这个时候就停止迭代,返回这个边的左端点距离此像素的距离。
3.2 获得Crossing edges
计算出到线的两端的距离后,我们还需要知道端点处的pattern
。这里就和原论文的方法不一样,做出了改进,我们只需要面对如下四个模式,而无须考虑模式的分割。
最原始的方法,就是查询端点外第一个像素的边缘情况以及它所相对的那个像素的边缘情况。值得注意的是,以北部的边(上图)为例,我们肯定不是再次查询g
通道(毕竟,查找端点的截止条件就是:g
通道为0
),而是查询r
通道,获得此像素的垂直边缘情况。
一个更有效的方法是使用双线性过滤(原理是一致的),以类似于距离搜索的方式,一次性获取两条边。然而,在这种情况下,我们必须能够区分每个边的实际值,所以我们用0.25
的偏移量进行查询,使我们能够在只有一条边的情况下区分哪条边等于1.0
。具体来说:当前像素会占据3/4
的权重,而对应像素占据1/4
权重,这样就可以得到0.25
和0.75
两个情况。
这里的代码,其实已经给出了,就在权重函数的主体内:
// Edge at north.
float2 d = float2(SearchXLeft(texcoord),
SearchXRight(texcoord));
// Instead of sampling between edges , we sample at -0.25,
// to be able to discern what value each edgel has.
// mad(m, a, d) : x = m * a + d
float4 coords = mad(float4(d.x, -0.25, d.y + 1.0, -0.25),
PIXEL_SIZE.xyxy, texcoord.xyxy);
// e1是左端点模式,e2是右端点模式
float e1 = edgesTex.SampleLevel(LinearSampler, coords.xy, 0).r;
float e2 = edgesTex.SampleLevel(LinearSampler, coords.zw, 0).r;
3.3 预计算区域纹理
有了距离和边缘模式信息,我们就可以了计算当前像素所对应的面积(也就是混合权重)。
由于直接计算是一个昂贵的操作,大佬选择在一个四维表中进行预计算,并将其存储在二维纹理中(见上图)。这个纹理被分为大小为
9
×
9
9×9
9×9的子纹理,每个子纹理对应于一个模式类型(依次是0.0
,0.25
,0.5
——不存在,所以有个黑色的十字架,0.75
,1.0
)。在每个子纹理内,
(
u
,
v
)
(u,v)
(u,v)坐标对应于到线的两端的距离,8
是可达到的最大距离。如果需要一个更高的最大距离,可以提高分辨率。
实时代码进行纹理的读取暂且不谈,我们看看这张图是怎么生成的:
## 来自GPU PRO2的源码
from pprint import *
from numpy import *
from PIL import Image
# 生成的图是 32x32
SIZE = 32
A = {}
# 个人理解,第一个循环,i的意思是线段总长。第二个循环,j的意思是线段左半部分的长度
for i in range(0, 64):
left = 0.5
t = []
for j in range(i):
x = i / 2.0
# right的值是 0.5-->-0.5
right = 0.5 * (x - j - 1) / x
# if sign(left) == sign(right) or abs(left) != abs(right)
# a = abs((left + right) / 2)
# else
# a = 0.5 * abs(left / 2)
# 感知上,把a的值划分为曲线的话,是由最大值0.5,到一个极低值,然后再次升到0.5。应该是个V字。
# 之所以要有这个判断,主要是为了防止 a=0,尽管逻辑上,每个循环都只会走一次else分支
a = abs((left + right) / 2) if sign(left) == sign(right) or abs(left) != abs(right) else 0.5 * abs(left / 2)
# 存入数组
t += [a]
# 用right更新left
left = right
A[i] = t
# 初始化数组 32x32
T = zeros((SIZE,SIZE))
for left in range(SIZE):
for right in range(SIZE):
# 只要理解上两个循环的意思,就可以理解数组A,也就不难理解这里的逻辑了
x = left + right + 1
T[left][right] = A[x][left]
pprint(T)
# 保存数据到图片中
image = Image.new("L", (SIZE, SIZE))
for y in range(SIZE):
for x in range(SIZE):
# 转换成RGB值
val = int(255.0 * T[x][y])
image.putpixel((x, y), val)
image.save("areas2d.tif")
## 来自GPU PRO2的源码
from pprint import *
from PIL import Image
SIZE = 9
def arrange(v1, v2):
return v1, v2, 0
## 上一步生成的2D area图
areas = Image.open("areas2d.tif")
# 初始化输出 45x45
image = Image.new("RGB", (SIZE * 5, SIZE * 5))
# 外两层循环,选择不同的左右端点模式的组合
for e2 in range(5):
for e1 in range(5):
# 以下循环确定好了左右端点的模式。
for left in range(SIZE):
for right in range(SIZE):
# 左,右端点的长度
p = left, right
# 读取对应的权重值 a
a = areas.getpixel(p)
# 计算需要存取的像素位置
p = p[0] + e1 * SIZE, p[1] + e2 * SIZE
# 根据模式的不同,修改权重a
# 0.5的情况实际是不可能发生的
if (e1 == 2) or (e2 == 2):
image.putpixel(p, arrange(0,0))
# 左端点距离大于右端点的情况
elif left > right:
if e2 == 0:
image.putpixel(p, arrange(0,0))
elif e2 == 1:
image.putpixel(p, arrange(0,a))
elif e2 == 3:
image.putpixel(p, arrange(a,0))
else:
image.putpixel(p, arrange(a,a))
# 左端点距离小于右端点的情况
elif left < right:
if e1 == 0:
image.putpixel(p, arrange(0,0))
elif e1 == 1:
image.putpixel(p, arrange(0,a))
elif e1 == 3:
image.putpixel(p, arrange(a,0))
else:
image.putpixel(p, arrange(a,a))
# 左端点距离等于右端点的情况
else:
if (e1+e2) == 0:
image.putpixel(p, arrange(0,0))
elif (e1+e2) == 1:
image.putpixel(p, arrange(0,a))
elif (e1+e2) == 2:
image.putpixel(p, arrange(0,2*a))
elif (e1+e2) == 3:
image.putpixel(p, arrange(a,0))
elif (e1+e2) == 4:
image.putpixel(p, arrange(a,a))
elif (e1+e2) == 5:
image.putpixel(p, arrange(a,2*a))
elif (e1+e2) == 6:
image.putpixel(p, arrange(2*a,0))
elif (e1+e2) == 7:
image.putpixel(p, arrange(2*a,a))
else:
image.putpixel(p, arrange(2*a,2*a))
image.save("areas4d.tif")
耐着性子对代码逻辑进行了分析(这里只是进行总结,详细分析还是见代码中的注释):
- 对于
areamap2d.py
:主要是生成左端距离e1
和右端距离e2
所对应的权重值a
—— a l e f t , r i g h t = A r e a 2 D [ l e f t ] [ r i g h t ] a_{left,right}= Area_{2D}[left][right] aleft,right=Area2D[left][right]。如果固定线段总长度,例如16
,分割点从最左端( l e f t = 0 , r i g h t = 16 left=0,right=16 left=0,right=16)到最右端( l e f t = 16 , r i g h t = 0 left=16,right=0 left=16,right=0),a
的值从最大值0.5
,降低到最小值1/128
,然后再次回升到0.5
——一个对称的V
字!。注意:这里没有考虑端点模式! - 对于
areamap4d.py
:外两层循环,选择不同的左右端点模式的组合,内两层循环确定左端点距离e1
,右端点距离e2
。依靠e1
、e2
读取第一步的结果,获得初始权重a
。最后根据e1
和e2
的大小关系、模式,来存入不同的值。(这里就不进行分析了,但估计就是简单的逻辑)
实时读取area
纹理的代码就很简单了,主要就是坐标的变换,获得正确的UV
:
#define NUM_DISTANCES 9
#define AREA_SIZE (NUM_DISTANCES * 5)
float2 Area(float2 distance, float e1, float e2)
{
// * By dividing by AREA_SIZE - 1.0 below we are
// implicitely offsetting to always fall inside a pixel.
// * Rounding prevents bilinear access precision problems.
// round(x) : 最接近x的整数
float2 pixcoord = NUM_DISTANCES * round(4.0 * float2(e1 , e2)) + distance;
float2 texcoord = pixcoord / (AREA_SIZE - 1.0);
return areaTex.SampleLevel(PointSampler, texcoord, 0).rg;
}
到此为止,第二个Pass
分析完毕!
复习下:以上图为例子:[1, 1]
处最后Pass
的存储结果分别是R
(用于当前像素[1, 1]
的北部混合权重)、G
([1,2]
的南部混合权重)、B
(用于当前像素[1, 1]
的西部混合权重)、A
([0,1]
的东部混合权重)。这里我们就可以看出共享结果这个巧妙技术。
4. Pass3 : 混合
在这最后一个pass
中,每个像素的最终颜色是根据权重纹理中存储的面积值,通过将实际颜色与它的四个邻居混合而获得的。主要访问混合权重纹理的三个位置:
- 当前像素,它给我们提供了北部和西部的混合权重
- 南部的像素
- 东部的像素
再一次利用硬件能力,使用四个双线性滤波访问来混合当前像素和它的四个邻居。
float4 NeighborhoodBlendingPS( float4 position: SV_POSITION,
float2 texcoord: TEXCOORD0 ): SV_TARGET
{
float4 topLeft = blendTex.SampleLevel(PointSampler, texcoord, 0);
float right = blendTex.SampleLevel(PointSampler, texcoord, 0, int2(0, 1)).g;
float bottom = blendTex.SampleLevel(PointSampler, texcoord, 0, int2(1, 0)).a;
// 左、右,上,下四个权重值
float4 a = float4(topLeft.r, right, topLeft.b, bottom);
float sum = dot(a, 1.0);
[branch]
// 需要混合,才进入此分支
if (sum > 0.0)
{
// 单位像素size * a :又是巧妙的利用硬件线性插值,采样当前像素和对应邻域像素,并按权重插值
float4 o = a * PIXEL_SIZE.yyxx;
float4 color = 0.0;
// 左邻域
color = mad(colorTex.SampleLevel(LinearSampler,
texcoord + float2(0.0, -o.r), 0), a.r, color);
// 右邻域
color = mad(colorTex.SampleLevel(LinearSampler,
texcoord + float2(0.0, o.g), 0), a.g, color);
// 上邻域
color = mad(colorTex.SampleLevel(LinearSampler,
texcoord + float2(-o.b, 0.0), 0), a.b, color);
// 下邻域
color = mad(colorTex.SampleLevel(LinearSampler,
texcoord + float2( o.a, 0.0), 0), a.a, color);
// 平均
return color / sum;
}
else
{
return colorTex.SampleLevel(LinearSampler, texcoord, 0);
}
}
最后一个pass
相对第二个pass
,逻辑简单的不是一点半点,这里的注释已经很清楚了。
5. 总结(暂时)
《Practical Morphological Antialiasing》实在是太强了,太多技巧令人拍案叫绝,特别是对硬件线性插值的灵活运用,让人印象深刻。本文本意是结合此论文和MLAA
的原论文,希望对技术进行一个详细的分析,但做着做着,就只依靠《Practical Morphological Antialiasing》(相对于intel
的论文,这个理解难度容易太多了)。
- 本文主要就是整理
MLAA
的整个流程,补充很多原论文难以直接理解部分的描述,以及一些内容的实现方式。 - 本质上就是翻译和总结,但一些地方的理解也确实是我个人的愚见,就厚颜无耻的标注
原创
了。 - 后续利用
Opengl
或者shaderToy
把这个实操出来。
6. 照葫芦画瓢
ToDO
7. 参考文献
[1] Alexander Reshetov. Morphological Antialiasing. Proceedings of the HPG 2009: Conference on High-Performance Graphics 2009.
[2] Jorge Jimenez, Belen Masia. Practical Morphological Anti-Aliasing.
[3] GPU 360 Rendering.
[4] GPU Pro 2.
[5] Real Time Rendering 4th.