摘要
时间性反走样算法具有效率优势，是近年来被广泛应用的实时反走样算法之一。该算法通过将采样点平摊至历史多帧及复用历史数据的方式来实现实时反走样。在时域信息采样充分且历史数据可复用的前提下，该算法能取得和超采样反走样算法类似的效果。然而在实际应用中，上述条件并不一定完全成立。在历史数据不能被复用的情况下，将产生几何走样及重影等问题。除此之外，为了降低显存成本，该算法使用累积帧来代替历史多帧，这将导致误差累积，进而引起图像模糊。 本文以时间性反走样算法为研究基础，详细分析了几何边缘锯齿、重影、图像模糊及子像素细节缺失问题出现的具体原因。针对上述问题，本文提出了一种基于未来帧的时间性反走样算法。其基本思想是，在使用已有时域信息的基础上，将未经反走样处理的未来一帧纳入时间性反走样，通过使用来自未来帧的样本，以改进时间性反走样算法中存在的问题。 在实现本文算法的过程中，会遇到如下难点。其一是，为了降低未来帧对重影的不利影响，算法应考虑如何从未来一帧中提取可复用的着色数据；其二是，对于存在几何边缘锯齿和子像素细节缺失的区域，多复用一帧数据并不一定能满足几何信息在时域上充分采样的需求，这使得如何利用未经反走样处理的未来一帧以解决几何走样问题成为困难；其三是，受未来帧为走样帧的影响，如何在保持反走样效果的情况下，实现重影抑制及去模糊是算法的核心问题。 为了解决上述难点，本文提出了如下创新工作： ?针对可复用未来数据的提取问题，本文提出了两种解决方案，包括基于G-Buffer和重采样的可复用未来数据提取方法及基于抽样的可复用未来数据重建方法。前者将G-Buffer提供的运动向量及深度信息纳入未来样本可见性的评估范畴，进而通过重采样可见样本的方式来实现可复用未来数据的提取。后者使用抽样机制，以获取可复用的抽样数据，并采用抽样数据融合机制来解决未来数据的重建问题，进而实现提取目的。且和前者相比，后者的提取效果更优。 ?针对如何复用未来一帧以提升几何反走样效果这一问题，本文提出了一种未来数据复用机制。复用机制包括未来数据融合方案和基于未来帧的邻域裁剪改进方法。融合方案是根据当前时刻着色数据的走样情况，来影响未来数据的融合权重，进而提升几何边缘抗锯齿效果。实际上，融合方案还能改善子像素细节缺失情况，这一改进与子像素细节采样成功几率的提高有关。邻域裁剪改进方法仅用于降低子像素细节缺失概率。其基本思路是，引入未来一帧，以提升历史数据限制精度，进而降低邻域裁剪出错频率，从而实现改进目标。 ?针对重影和图像模糊问题，本文提出了一种基于未来帧的拟合方案。在未来数据可复用的前提下，该方案在反走样拟合的过程中，将使用未来数据融合方案处理后的结果，来代替目标像素在当前时刻的着色结果，以保持反走样效果。为了解决重影问题，拟合方案使用重影抑制方法，来调整历史数据的融合系数，进而降低历史数据被错误复用的程度，从而实现抗重影。为了解决图像模糊问题，拟合方案使用误差控制方法，来实现对历史数据复用权重的动态调整，进而控制误差，从而实现去模糊。 实验结果表明，基于G-Buffer和重采样的可复用未来数据提取方法及基于抽样的可复用未来数据重建方法能解决可复用未来数据的提取问题，且后者的提取效果更佳；本文提出的未来数据复用机制可有效处理几何边缘锯齿问题及改善子像素细节缺失情况；基于未来帧的拟合方案有助于本文算法实现更优的重影抑制和去模糊；和时间性反走样算法相比，本文算法的反走样效果更优。
NETL