目录
1. 反走样
因为像素点是内部颜色均匀的小方块,所以如果想要画一个三角形,实际采样的时候会变成下图这种状况(都是锯齿,学名走样)。
采样不仅能发生在不同的位置,也能针对同一物体在不同时间的状态进行采样(视频和动画这种)。
1.1 Sampling Artifacts
Artifacts:泛指图形学上的锯齿等等瑕疵的情况。
-
锯齿
-
摩尔纹
成因:跳过奇数行和奇数列显示 -
车轮错觉(视觉错觉)
成因:人眼在时间上的采样跟不上运动速度
走样问题的本质:信号变化太快,采样速度跟不上变化速度→频率问题。
1.2 反走样的具体操作
**一种思路:在采样之前先进行一次模糊/滤波。**相当于缩圈(低通滤波)。
先采样再模糊(Blurred Aliasing):反向操作不行,简单理解就是本来就有锯齿,再模糊也是有锯齿,属于是雪上加霜了(。
1.2.1 采样频率
傅里叶级数展开
f
(
x
)
=
A
2
+
2
A
cos
(
t
w
)
π
f(x)=\frac{A}{2}+\frac{2A\cos(tw)}{\pi}
f(x)=2A+π2Acos(tw)
傅里叶变换和傅里叶展开的关系(左边展开右边变换):从时域到频域
傅里叶函数的本质:把函数变成不同频率的段,并且把这些不同频率的段给显示出来
如图能很清晰展示采样率和函数频率的关系。
黑点是采样点,虚线连线是根据采样点还原出的函数,绿色曲线是原函数。
可以看到,采样率远低于函数频率,还原出的函数与原函数相比会失去很多关键信息。
因此,为了保证不失真,要求采样率满足奈奎斯特定律。
从频域解释走样:
如图,蓝色曲线是函数A,黑色曲线是函数B,空心圆为采样点。
从图上可以看出,两个完全不同的函数A和函数B,经过采样后,得到了完全相同的采样结果→由采样结果无法分辨,这就是走样发生的原理。
1.1.2 频域
从时域(左)变化到频域(右),低频信息集中在中央,高频信息在外围(边缘)少。
如下图,通过高通滤波,能过滤掉低频信息(右),还原到时域,发现只剩下边界。
所谓边界(高频信息),指的是边界两侧发生了剧烈的变化,也就是信号本身蕴含的高频信息。
如下图,通过低通滤波,能过滤掉高频信息(边界被去掉)。
卷积(图形学上的简单定义):时域上对两个信号进行卷积,相当于频域上两个信号的乘积。
对时域做卷积,连续函数离散化;对频域做卷积,离散函数拓展。
因此得出:采样就是在重复原始信号的频谱。
图1,采样率正常。
图2,采样率低,频谱出现了混叠,这块混叠就是产生走样的原因。
1.2 降低走样的方法
- 提高采样率:频谱搬移的间隔够大,就不会发生混叠。但是,开销很大。
- 反走样
1.2.1 Supersampling(MSAA)
- 使用更多的采样点,严格意义上来说是反走样的近似。
把一个小的像素中间划分成更小的像素- 代价:增大计算量。
1.2.2 其他常用抗锯齿
- Fast Approximate AA(FXAA)
- Temporal AA(TAA):复用上一帧的感知结果
1.3 超分辨率 Super resolution/ super sampling
感性认识一下,大概就是把一张图拉的巨大,但同时要保证这张图正常显示不变模糊。总之也是为了解决采样点不足的问题。