SSAO与HBAO学习笔记（持续改进）

最新推荐文章于 2025-03-15 17:33:34 发布

滑稽树

最新推荐文章于 2025-03-15 17:33:34 发布

阅读量4.6k

点赞数 5

分类专栏：计算机图形学

本文链接：https://blog.csdn.net/dengyibing/article/details/115421596

版权

计算机图形学专栏收录该内容

17 篇文章

订阅专栏

本文详细介绍了实时渲染中的环境光遮蔽技术，包括SSAO（屏幕空间环境光遮蔽）和HBAO（半球形空间环境光遮蔽）的实现原理。SSAO依赖于深度图和法线贴图，通过在单位半球面上随机采样计算遮蔽值。HBAO则采用更智能的采样策略，考虑了采样点的几何信息。文章还提供了GPU上的伪随机数生成方法，并给出了简单的实现代码链接。最后，讨论了降噪方法，包括水平和垂直模糊以及潜在的时间一致性方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简介

环境光遮蔽是计算场景中每一点是如何接受环境光的。而实时渲染中的环境光遮蔽则是对此的模拟。

我们这里实现比较常见的SSAO和HBAO，一个表面点的AO的计算则是对其法线所在半球面的可见性的积分
$\displaystyle A_{\bar {p}}={\frac {1}{\pi }}\int _{\Omega }V_{{\bar {p}},{\hat {\omega }}}({\hat {n}}\cdot {\hat {\omega }})\,\operatorname {d} \omega$
实时计算的时候离散的积分就好了

SSAO

SSAO的原理比较简单，其流程比较适合DeferredLighting，一个点的
其实现步骤如下

获取到当前帧的深度图Depth，能获取到法线贴图Normal更好，不能的话直接用ddx和ddy计算也行
对深度图上的每个像素，计算出其ViewSpace的坐标P0，在其法线所在半球面上采样点N个点，计算出这些点的ViewSpace坐标P1 ~ PN，并再次计算出P1 ~ PN的NDC，并采样得到这些点的真实深度值，并重建出真实的ViewSpace坐标V1 ~ VN
对于P1 ~ PN与V1 ~ VN的大小，当V大于P的时候，该点被遮挡，可以根据遮挡的距离给出遮蔽的遮挡积分的权重
最后对所有的采样点都做了遮挡计算后平均，得到当前点的AO值

实现上我们是直接抄的Unity实现版本，从中比较有意思的点是GPU上的伪随机，因为我们需要在单位半球面上随机采样

//From  Next Generation Post Processing in Call of Duty: Advanced Warfare [Jimenez 2014]
// http://advances.realtimerendering.com/s2014/index.html
float InterleavedGradientNoise(float2 pixCoord, int frameCount)
{
    const float3 magic = float3(0.06711056f, 0.00583715f, 52.9829189f);
    float2 frameMagicScale = float2(2.083f, 4.867f);
    pixCoord += frameCount * frameMagicScale;
    return frac(magic.z * frac(dot(pixCoord, magic.xy)));
}

// Pseudo random number generator with 2D coordinates
float UVRandom(float u, float v)
{
    float f = dot(float2(12.9898, 78.233), float2(u, v));
    return frac(43758.5453 * sin(f));
}

这基本是在GPU上能找到的比较好用的随机数生成方法了

SSAO实现参数没调

HBAO

相比于SSAO，HBAO则是扩展了采样点的启发性，参考[2]，

环境光遮蔽的半径定义在ViewSpace，我们实现中也是

获取到当前帧的深度图Depth，能获取到法线贴图Normal更好，不能的话直接用ddx和ddy计算也行
对深度图上的每个像素，计算出其ViewSpace的坐标P0，在其法线所在半球面上采样点
1. 当前点Tangent-Bitagent平面上随机朝着比如4个方向采样
2. 当前点Tagent-Normal的随机一个方向上做类似RayMatching的操作，第一步还做一个随机的Offset，每个步进，都获取到对应深度的ViewSpace上的点，计算每个采样 $S_{1}$ 的权重，总权重 WAO=0
  - $AO(S_{1})=\sin\Theta(S_{1})-\sin t$
  - $WAO+=W(S_{1})AO(S_{1})$
最后把所有采样得到的权重跟采样次数平均一下就可以得到最终的AO效果