基于稀疏超采樣的時間性反走樣算法

李 根，陳文倩，張嚴辭

基于稀疏超采樣的時間性反走樣算法

李 根，陳文倩，張嚴辭

(四川大學視覺合成圖形圖像技術國防重點學科實驗室，四川 成都 610065)

針對時間性反走樣算法在處理幀間復用時，若場景中有較多高頻顏色區域或精細模型會造成重影、模糊、閃爍及子像素細節丟失的問題，提出了基于稀疏超采樣的時間性反走樣算法。基本思想是，在時間性反走樣算法的基礎上，對于無法復用歷史幀像素，重新引入空間域的超采樣，利用剔除算法以避免不必要的繪制開銷，實現對場景的稀疏超采樣。實驗結果表明，該算法能夠得到與超采樣算法媲美的反走樣效果，并具有更高的渲染效率，有效避免重影、模糊、閃爍及子像素細節丟失的問題。

時間性反走樣算法；稀疏；超采樣；剔除；復用

反走樣算法(anti-aliasing，AA)[1]在提高渲染畫面的視覺效果質量方面有著重要的作用，因此在電影、游戲、虛擬現實等諸多領域具有極其重要的意義和價值。

實時的AA可分為基于超采樣和后處理2大類[2]。超采樣反走樣(super-sampling anti-aliasing，SSAA)[3]通過對每個像素點計算多個子采樣點，以得到較好的反走樣效果，并能有效地減少由分辨率限制導致的幾何走樣和著色走樣問題，但在著色計算、內存占用和傳輸帶寬方面有巨大的開銷。多重采樣反走樣(multi-sample anti-aliasing，MSAA)[4]將可見性函數從著色中分離，大大減少了計算量。MSAA對于幾何圖形光柵化導致的走樣問題有明顯的改進，但由于每個像素只進行一次著色計算，未能解決著色導致的走樣問題，且因為將每個像素的著色計算結果復制給子采樣點，也未解決SSAA的內存高占用的問題。覆蓋采樣反走樣(coverage sampling aniti-aliasing，CSAA)[5]和增強質量反走樣(enhanced quality anti-aliasing，EQAA)[6]以較高的分辨率存儲像素的覆蓋率，進一步將覆蓋率從可見性中分離，降低了帶寬及存儲開銷。但這些算法無法解決著色走樣問題且難以與延遲著色(deferred shading)[7]框架兼容。

RESHETOV[8]提出形態學反走樣(morpho logical anti-aliasing，MLAA)，將邊緣分為幾種特定的模式并在原始圖像中進行匹配，可根據各自的規則計算混合顏色值。但MLAA是在CPU上實現，用了非常深的分支來判斷邊緣形狀，不適用GPU硬件。JIMENEZ等[9]提出了在GPU上實現MLAA，利用亮度和深度信息識別邊緣，提高了邊緣檢測的準確性，并通過雙線性過濾減少搜索時間，同時用預計算紋理避免了大量的計算。但MLAA是對光柵化后的圖像進行反走樣處理，對采樣不足而造成的走樣現象無法處理。NVIDIA[10]于2009年提出快速近似反走樣(fast approximate anti-aliasing，FXAA)，其具有局部對比度自適應方向邊緣模糊、速度更快，但也導致了圖像的模糊。

為了解決基于圖像分析的AA存在的鋸齒狀邊緣和過度模糊等問題，許多基于幾何輔助分析的AA被提出。杜文俊等[11]通過使用離散的場景原始三角面片來表示和記錄陰影遮擋信息，從而解決陰影圖中的走樣問題。PERSSON[12]提出的幾何后處理反走樣算法(geometric post-process nti-aliasing，GPAA)添加一個幾何預處理繪制遍，進行覆蓋率計算。PERSSON[13]以GPAA為基礎，在主場景繪制時利用幾何著色器存儲幾何信息和邊界距離信息，避免了幾何預處理繪制遍。CHAJDAS等[14]提出了子像素重建反走樣算法(subpixel reconstruction anti-aliasing，SRAA)，利用子像素的幾何信息對其顏色進行估計，能在幾何邊緣處得到較好的反走樣效果，但為了獲取超分辨率的幾何數據，需要反復繪制場景，以及消耗大量的內存空間以存儲其信息。DU等[15]通過高效地存儲三角形的信息及子像素與三角形的位置關系來降低算法所需的G-Buffer 大小。基于幾何輔助分析的AA雖然能通過場景的幾何信息高效地重建出高質量的反走樣邊緣。但需要額外地存儲和帶寬開銷，且無法有效地識別和處理非幾何邊界附近的走樣。

最早的時間域上的AA是YANG等[16]的攤銷超采樣(amortized super-sampling)，其將每個像素的子采樣點分攤到不同幀中，每幀只需繪制一個子采樣點，然后通過時域復用達到反走樣的目的。SOUSA[17]將時域復用應用到SMAA中以提高時間穩定性。DROBOT[18]將時間性反走樣、基于覆蓋的反走樣以及基于分析的反走樣相結合來重建高分辨率的圖像。杜文俊和馮結青[19]提出一種統一后處理反走樣算法，以三角形的幾何輔助算法對幾何邊界進行高質量的反走樣重建，同時根據著色信息對顏色紋理的走樣進行形態學反走樣處理，最后使用時間域重投影的算法來處理時間域上的濾波。時間性反走樣算法因其高效且較為優異的反走樣質量被廣泛地應用于Unity，CryENGINE 3和Unreal Engine等實時渲染引擎中。

針對SSAA存在的計算量、內存占用及傳輸帶寬的問題，本文基于時間域的超采樣算法，即時間性反走樣(temporal anti-aliasing，TAA)[20]，將每個像素的子采樣點分攤到不同幀中，每幀只繪制一個子采樣點，并使用重投影技術和空間濾波器[21]進行時域復用，既解決了SSAA的效率問題，也能與延遲著色框架兼容。由于TAA核心是復用歷史幀的顏色，不能復用歷史幀顏色時，效果較差。針對該問題，本文在TAA基礎上，引入空間域的超采樣，提出了基于稀疏超采樣的TAA，能夠得到與SSAA算法媲美的反走樣效果，且具有更高的渲染效率。

1 算法實現

TAA通過復用歷史幀的顏色進行反走樣，能以較低的時間成本獲得較高的反走樣質量。但在復用過程中，需要解決能否在當前幀中復用歷史幀的顏色問題。TAA使用重投影技術來確定當前幀像素在前一幀中的位置，并通過空間濾波來復用先前幀經過光照計算和反走樣操作后的結果。由于復用了上一幀光照結果，因此在判斷是否能復用的過程中，除了要考慮前后幀的幾何對應關系外，還必須考慮因視點變化、物體運動及光源變化等一切可能引起光照變化的因素。TAA使用Neighborhood Clipping 來解決復用問題，將歷史顏色限制在當前幀的鄰域像素的顏色范圍內，若其不在軸向包圍盒(axis-aligned bounding box，AABB)[22]內時，根據歷史顏色與AABB計算出一個新的歷史顏色，確保其處于AABB內。但當場景中存在較多高頻顏色區域或精細模型時，Neighborhood Clipping可能導致重影、模糊、閃爍和子像素細節丟失問題。TAA的幀間復用思想，解決了SSAA的效率問題，并在絕大多數的像素上得到了與SSAA媲美的反走樣質量，所以本文選擇以TAA為主，對其復用問題進行改進。稀疏超采樣是本文提出的算法，剔除復用成功的部分，只對復用失效像素進行超采樣。

1.1 算法概述

本文算法共包含7個繪制遍，以圖形渲染管線中的繪制遍的執行順序來進行描述。

(1) 延遲著色的幾何階段繪制遍。渲染整個場景，生成G-buffer，其中存儲位置、法線、運動向量和網格ID等信息。

(2) 延遲著色的著色階段繪制遍。讀取G-Buffer中的場景信息進行光照計算。

(3) TAA繪制遍。除了傳統TAA的步驟外，還進行了復用有效性檢測，將檢測結果存儲到分割掩碼紋理中，用于網格和片元的剔除判斷。

(4) 生成復用有效性緩沖區繪制遍。在計算著色器中，使用網格ID紋理和分割掩碼紋理生成復用有效性緩沖區，高效地將復用有效性信息從片元反饋給網絡。

(5) 生成深度多重紋理繪制遍。在基于屏幕空間的繪制遍中，通過分割掩碼紋理為提前深度測試生成一張深度多重紋理(depth muti-texture)。

(6) 稀疏超采樣繪制遍。根據復用有效性緩沖來決定每個網格是否需要向GPU提交繪制命令，旨在稀疏超采樣繪制前剔除復用成功的網格；并使用Depth Multi-texture來執行提前深度測試，旨在片元著色器執行前剔除復用成功的片元，生成稀疏超采樣結果。

(7) 混合繪制遍。通過分割掩碼紋理將TAA的結果和稀疏超采樣的結果混合，得到最終的反走樣結果。

1.2 實現細節

1.2.1 片元剔除

為了實現對場景的稀疏超采樣，可在片元著色器的光照計算前剔除復用成功的片元。同一像素位置可能會對應多個片元，可使用提前深度測試剔除不可見的片元。但提前深度測試需要一個額外的深度預處理繪制遍來生成一張深度紋理，使整個場景重新過一遍圖形渲染管線，影響算法性能。本文提出基于分割掩碼紋理和提前深度測試的片元剔除方法，創建一張分割掩碼紋理來存儲屏幕中像素的復用有效性，并通過該紋理為提前深度測試生成一張Depth Multi-texture，在片元著色器執行前，剔除復用成功的片元。

1.2.1.1 標記復用失效的像素

TAA中復用失效的原因有2種：①場景中視點的變化或運動的物體導致片元的前后幀可見性發生變化；②場景中光照環境的改變導致的片元前后幀著色變化。針對上述情況，本文提出了基于顏色的復用有效性檢測方法，相鄰兩幀間，同一個片元的顏色不會發生太大的變化，根據式(1)對像素的復用有效性進行判斷，即

其中，C為當前幀的像素顏色；C為重投影得到的歷史顏色；m為常量閾值。滿足該式則為復用成功，反之失效。雖然該方法不能識別顏色變化較小的前后幀可見性發生變化的片元，但由于像素顏色接近，對最終結果的影響很小。

本文在TAA繪制遍中進行復用有效性檢測，在其他繪制遍中也可使用，如圖1所示的分割掩碼紋理可記錄復用有效性信息，其中黃色代表復用失敗，藍色代表復用成功。分割掩碼紋理為屏幕分辨率大小的二維紋理，本文算法在TAA繪制遍中，使用了多渲染目標技術(multiple render targets，MRT)將每個像素的復用有效性存儲到分割掩碼紋理中，在后續繪制遍中，可直接根據片元的屏幕坐標讀取片元的復用有效性。

1.2.1.2 生成Depth Multi-texture

為了在提前深度測試時剔除所有復用成功的片元，本文使用分割掩碼紋理為提前深度測試生成一張Depth Muti-texture。通過對分割掩碼紋理進行最近鄰采樣，來準確讀取在分割掩碼紋理中的復用有效性。如果采樣分割掩碼紋理得到的值為復用成功(藍色)，則將Depth Muti-texture中對應位置的深度值設為最小值0.0，否則設為最大值1.0。為了成功地剔除所有復用成功的片元，在提前深度測試時，使用GL_LESS深度函數，將深度值為0.0的位置上所有片元因未通過提前深度測試而被丟棄。

圖1 分割掩碼紋理

1.2.2 網格剔除

為了實現對場景的稀疏超采樣，可以在稀疏超采樣繪制遍前剔除復用成功的網格。網格的復用有效性由光柵化生成的所有片元決定，為了得到網格的復用有效性信息，需要先得到光柵化生成的所有片元。因此本文在延遲著色的幾何階段利用MRT技術生成一張網格ID紋理，記錄離屏幕最近的片元所對應的網格ID，避免在進行復用有效性判斷時，讀取到被遮擋片元的復用信息。本文算法還通過一個額外的復用有效性緩沖區來高效地查找網格ID紋理中對應的所有的片元。創建一個復用緩沖區，用于儲存場景所有網格的有效性，通過一次遍歷網格ID紋理和分割掩碼紋理來更新緩沖區中的數據，避免了每一個網格都需要遍歷一次網格ID紋理來獲取有效性。同時，本文算法的有效性緩沖區的生成充分利用了GPU并行計算的高效優勢，使用計算著色器能高效地將復用有效性信息從片元反饋到網格。由于在CPU端讀取復用有效性緩沖區數據時，可能會造成隱式同步問題，采取了雙緩沖技術來解決。

1.2.2.1 生成網格ID紋理

為了識別場景中的不同網格，在模型加載階段，為每個網格分配了唯一的ID。在延遲著色的幾何階段繪制遍中，每繪制一個網格，使用uniform緩沖對象將其ID傳入片元著色器，并通過MRT技術輸出到網格ID紋理中。最終得到如圖2所示的網格ID紋理，并記錄離屏幕最近的片元所對應網格的ID。

圖2 生成網格ID紋理

1.2.2.2 生成復用有效性緩沖區

為了避免多次遍歷網格ID紋理，通過一個額外的復用有效性緩沖區來存儲場景中每個網格的復用有效性，并使用網格ID作為索引進行訪問。分割掩碼紋理標記了離屏幕最近的片元的復用有效性，用網格ID 紋理標記了離屏幕最近的片元對應的網格ID，且通過計算著色器讀取這2張紋理來更新復用有效性緩沖區，可避免多次查找網格ID紋理，得到所有網格的復用有效性。

對于網格而言，只要對應的片元有一個復用失效，為了得到該片元的超采樣結果，就需要對該網格繪制。生成復用有效性緩沖區時，需將所有的網格都標記為復用成功，當遍歷分割掩碼紋理時，對于復用失效的片元，使用相同的坐標去采樣網格ID紋理，且更新復用有效性緩沖區，將緩沖區中對應的網格記為復用失效。如圖3所示，在分割掩碼紋理中，紅框為復用失效(黃色)的片元，因此使用相同的紋理坐標采樣網格ID紋理，得到該片元屬于網格3，并在復用有效性緩沖區中將值改為0，表示其為復用失效的網格，不用剔除。

圖3 生成復用有效性緩沖區

1.2.2.3 雙緩沖技術

在CPU端讀取緩沖區數據時，使用雙緩沖技術來避免隱式同步問題。創建2個復用有效性緩沖區對象，并在相鄰幀中循環使用，在相鄰2幀中寫不同的緩沖區，且延遲一幀讀取緩沖區中的數據來避免隱式同步問題。然后對繪制遍進行調整，并應用于本算法。由于需要在稀疏超采樣glMapBuffer函數讀取復用有效性緩沖區，且通過延遲一幀讀取緩沖區中的數據來避免隱式同步，因此需要將稀疏超采樣以及后續的繪制遍延遲一幀執行，如圖4所示。

圖4 繪制遍順序((a)原始繪制遍順序； (b)更改后的繪制遍順序)

1.2.3 三角形剔除

為了實現對場景的稀疏超采樣，可以在超采樣繪制遍的幾何著色器中剔除復用成功的三角形。一個三角形圖元經過光柵化可以生成若干個片元，在光柵化前剔除復用成功的片元，可以減少光柵化階段及片元著色器開銷。為了得到三角形的復用有效性信息，需要得到三角形光柵化生成的所有片元，若通過3個頂點坐標進行計算，計算量大，本文通過三角形的邊界矩形來實現。因此，需要采樣其邊界矩形覆蓋所有片元的復用有效性，對算法性能產生影響，使用層次化的分割掩碼紋理解決該問題。本文算法從RáKOS[23]的層次化深度圖中得到啟發，構造了一張層次化分割掩碼紋理。其每個層級的1個紋素都總結了上一層級所對應的2×2個紋素的復用有效性，因此通過采樣層次化分割掩碼紋理的對應LOD層級中覆蓋邊界矩形的2×2個紋素，即可保守地估計邊界矩形覆蓋的所有片元的復用有效性。

1.2.3.1 生成三角形邊界矩形

構造及使用三角形的邊界矩形作為其包圍體進行復用有效性檢測。矩形在屏幕空間的大小為

其中，B和B分別為邊界矩形在屏幕空間中的寬和高；max和min分別為三角形3個頂點在裁剪坐標系下的坐標的最大和最小值；max和min分別為坐標下的最大、最小值；V和V分別為視口的寬和高。

1.2.3.2 構造層次化分割掩碼紋理

層次化分割掩碼紋理是一個Mip-mapped的屏幕分辨率，mipmap level中的每個紋素的復用有效性都有mipmap level-1中所對應的2×2個紋素決定。如圖5所示，mipmap level 0的紅色框內的2×2個紋素中有一個為復用失效(黃色)，則mipmap level 1中對應的紅色框中的紋素也復用失效；而mipmap level 0的白色框中2×2個紋素中全為復用成功(藍色)，則mipmap level 1中對應的白色框的紋素也復用成功(藍色)。

1.2.3.3 三角形的復用有效性判斷

本文利用采樣層次化分割掩碼紋理的對應LOD層級中覆蓋三角形邊界矩形的2×2個紋素，可判斷三角形的復用有效性。其中，邊界矩形用途包括：①確定了對層次化分割掩碼紋理進行查找時用的LOD層級；②定義了用紋理查找的2×2個坐標。

由式(3)和式(4)確定最終的LOD層級。根據式(3)計算得到的層級滿足式(5)，因此該層級的2×2個紋素可以包裹住三角形的邊界矩形。然而，可出現圖6所示的3種情況，圖中橙色代表邊界矩形，黃色代表邊界矩形覆蓋的紋素，綠色邊框代表式(3)計算得到的mipmap level。3種情況下邊界矩形覆蓋的紋素個數不同，紋理采樣的次數也不同。為了統一紋理采樣次數，使用式(3)計算最終的LOD層級，得到如圖7所示的紋理采樣次數相同的3種情況，其中藍色邊框代表mipmap level+1。

其中，T為分割掩碼紋理中mipmap level的一個紋素大小。

其中，為邊界矩形在分割掩碼紋理中的mipmap level l中覆蓋X軸方向紋素的數量；為邊界矩形在分割掩碼紋理的mipmap level l中覆蓋Y軸方向紋素的數量。

圖6 邊界矩形和mipmap level l的紋素的3種情況 ((a) 4個紋素；(b) 6個紋素；(c) 9個紋素)

圖7 統一紋理采樣次數((a) 4次；(b) 6次變4次； (c) 9次變為4次)

由式(3)和(4)確定LOD之后，本文的三角形剔除方法使邊界矩形4個頂點位于裁剪坐標系中，在層次化分割掩碼紋理的LOD層級上進行最近鄰采樣，如果4個采樣點的值均為復用成功(藍色)，則將其剔除。如圖8所示，根據計算得到采樣的LOD為2，因此使用邊界矩形的4個頂點對層次化分割掩碼紋理的mipmap level 2進行最近鄰采樣，其中有一個為復用失效(黃色)，則該三角形為復用失效，不剔除。

圖8 三角形復用有效性檢測

2 實驗結果

本文實驗環境為：Intel(R) Core(TM) i5-4460k @3.20 GHz，8 GB內存，NVIDIA Geforce GTX-960 顯卡。

采用如圖9所示的客廳場景來驗證算法，場景中分布3個點光源，不考慮陰影問題，采用的屏幕分辨率為1920×1080。

圖9 客廳場景

將本文算法與文獻[1]的TAA算法進行渲染效果對比，同時采用8×SSAA算法作為參照算法，分別從重影、模糊以及子像素特征處理3個方面驗證本文算法對TAA的改進。

圖10為視點移動過程中吊燈的反走樣效果，可以看出本文算法可有效避免TAA算法出現的重影問題，并且可得到與參照算法SSAA接近的結果；圖11為視點移動過程中的吊燈，TAA算法中出現的模糊效果，本文算法能有效避免，得到與參照算法SSAA接近的結果；而圖12展示了靜態場景的花瓶反走樣效果，相對于TAA算法而言，本文算法可以有效處理子像素特征，避免子像素細節丟失的問題，得到類似于參照算法SSAA的結果。

圖10 吊燈反走樣的重影效果對比((a) TAA算法； (b)本文算法；(c) SSAA算法)

根據圖13的效果可以看到本文算法相比于TAA渲染效果具有一定的提升，能夠達到接近于參考算法SSAA的渲染效果。同時，本文算法的效率明顯優于SSAA算法。通過對比在客廳場景中TAA算法、SSAA算法和本文算法的幀率，可見TAA算法的效率最高，幀率達到了149.6；其次是本文算法，幀率為108.7；效率最低的為SSAA算法，幀率為65.6。

圖11 吊燈反走樣的模糊效果對比((a) TAA算法；(b)本文算法；(c) SSAA算法)

圖12 花瓶子像素缺失反走樣效果對比 ((a) TAA算法；(b)本文算法；(c) SSAA算法)

圖13 不同反走樣算法下客廳場景的渲染效果對比 ((a) TAA算法；(b)本文算法；(c) SSAA算法)

本文提出了3種級別的剔除方法，均能在不對最終的渲染結果產生影響的情況下，提升算法的渲染效率。圖14為在未使用剔除方法和分別使用3種級別的剔除方法的情況下，本文算法的渲染效果，通過人眼對比無明顯差別。表1使用均方根誤差(root mean squared error，RMSE)[24]，定量分析得出未使用和分別使用三角形剔除方法和網格剔除方法得到的渲染結果無差異，而使用剔除網格的方法僅有非常小的差異。

圖14 不同級別的剔除方法下效果對比((a)未使用剔除方法；(b)使用網格剔除方法；(c)使用三角形剔除方法；(d)使用片元剔除方法)

表1 不使用與分別使用不同級別的剔除方法的本文算法的渲染效果差異

由表2可知，單獨使用3種級別的剔除方法均能提升本文算法的幀率，但2種級別的剔除方法組合策略6卻高于其他剔除策略。不同級別的剔除方法間存在影響，三角形剔除方法在光柵化前剔除復用成功的三角形，會影響到光柵化生成的片元數量，而片元剔除方法所節省的開銷遠高于三角形剔除法。因此選取幀率最高的剔除策略，片元和網格組合作為最終的剔除策略。

基于顏色的復用有效性檢測方法的閾值μ，由圖15和圖16可知，μ值越小，渲染效果越好、效率越低，因此，權衡渲染效果和效率，本文設定μ值為0.2。

表2 不同剔除策略下本文算法的渲染幀率對比

圖15 不同μ下本文算法的渲染效果變化

圖16 不同μ下本文算法的渲染幀率變化

考慮到G-Buffer也是評估后處理AA的重要指標之一。由于本文算法是基于TAA改進的，對比本文和TAA算法的G-Buffer，還和實時反走樣中效率比較高的FXAA進行對比，見表3。其中位置向量、法線、反照率、粗糙度和金屬度都是在后續的延遲著色繪制中著色需要的。運動向量是TAA算法和本文算法重投影到歷史幀所需的，而網格ID是本文算法在構建復用有效性緩沖時需要的。

表3 TAA算法、本文算法和FXAA算法GBuffer具體存儲內容和所需存儲空間大小

通過比較可以發現，本文算法由于引入剔除策略，會比FXAA和TAA算法的G-buffer更大一些，但仍在可接受范圍內。

3 結 論

針對TAA在處理復用問題上不夠完善，當場景中存在較多高頻顏色區域和精細的物體時，可能導致重影、模糊、閃爍和子像素細節丟失現象。本文提出了一種基于稀疏超采樣的時間性反走樣算法，在TAA的基礎上針對復用失效的位置使用超采樣，得到了與SSAA媲美的反走樣結果，并且通過網格剔除和片元剔除算法，提高了算法的效率。但為了得到復用失效位置的超采樣結果，需要將場景重新過一遍圖形渲染關系，并通過對場景進行稀疏超采樣避免不必要的繪制開銷，如果能在場景過一次圖形渲染管線的基礎上，同時得到延遲著色和超采樣所需要的場景數據，可能會大幅度提高本文算法的效率。但兩者所需的場景數據分辨率不同，并且對于超采樣而言，僅需復用失效位置的場景數據，因此如何對場景進行光柵化，以及如何高效地組織場景數據，可以在未來的研究中嘗試。

[1] AKENINE-M?LLER T, HAINES E, HOFFMAN N. Real-time rendering,fourth edition[M]. Natick: A K Peters/CRC Press, 2018: 130-148.

[2] THOMAN P. Diving into anti-aliasing[EB/OL]. [2020-08-10]. https://www.beyond3d.com/content/articles/12 2/6.

[3] Wikipedia. Supersampling[EB/OL]. [2020-06-05]. https://en.wikipedia.org/wiki/Supersampling.

[4] AKELEY K. Reality Engine graphics[C]//The 20th Annual Conference on Computer Graphics and Interactive Techniques – SIGGRAPH’93. New York: ACM Press, 1993: 109-116.

[5] YOUNG P. Coverage-sampled anti-aliasing[R].Santa Clara: NVIDIA Corporation, 2006.

[6] DEVELOPER RELATIONS A. EQAA modes for AMD 6900 series graphics cards[R]. Sunnyvale: AMD Inc., 2011.

[7] ANDREW L. Deferred rendering for current and future rendering pipelines[EB/OL]. [2020-06-05]. https://software. intel.com/sites/default/files/m/d/4/1/d/8/lauritzen_deferred_shading_siggraph_2010.pdf.

[8] RESHETOV A. Morphological antialiasing[C]//The 1st ACM Conference on High Performance Graphics – HPG’09. New York: ACM Press, 2009: 109-116.

[9] JIMENEZ J, MASIA B, ECHEVARRIA J I, et al. Practical morphological antialiasing[M]//GPU Pro 360 Guide to Rendering. Boca Raton: A K Peters/CRC Press, 2018: 135-153.

[10] NVIDIA T L. Fast approximate anti-aliasing[R]. Santa Clara: NVIDIA Corporation, 2009.

[11] 杜文俊, 馮結青, 楊寶光, 等. 三角形重建的幾何陰影圖算法[J]. 計算機輔助設計與圖形學學報, 2016, 28(2): 208-217. DU W J, FENG J Q, YANG B G, et al.Geometric shadow mapping via triangle-based reconstruction[J].Journal of Computer-Aided Design & Computer Graphics, 2016, 28(2): 208-217 (in Chinese).

[12] PERSSON E. Geometric post-process anti-aliasing [EB/OL]. [2020-06-05]. http://www.humus.name/index.php?page=3D&ID=86.

[13] PERSSON E. Geometric buffer anti-aliasing[EB/OL]. [2020-06-05]. http://www.humus.name/index.php?page=3D&ID=87.

[14] CHAJDAS M G, MCGUIRE M, LUEBKE D. Subpixel reconstruction antialiasing for deferred shading[C]//I3D’11, Symposium on Interactive 3D Graphics and Games. New York: ACM Press, 2011: 15-22.

[15] DU W J, FENG J Q, YANG B G. Sub-pixel anti-aliasing via triangle-based geometry reconstruction[J]. Computer Graphics Forum, 2014, 33(7): 81-90.

[16] YANG L, NEHAB D, SANDER P V, et al. Amortized supersampling[J]. ACM Transactions on Graphics, 2009, 28(5): 1-12.

[17] SOUSA T. Graphics gems from cryengine 3[EB/OL]. [2020-06-05]. https://www.slideshare.net/TiagoAlexSousa/graphics-gems-from-cryengine-3-siggraph-2013.

[18] DROBOT M. Hybrid reconstruction anti-aliasing [EB/OL]. [2020-06-05]. https://michaldrobot.com/2014/08/13/hraa-siggraph-2014-slides-available/.

[19] 杜文俊, 馮結青. 面向延遲著色的統一反走樣算法[J]. 計算機輔助設計與圖形學學報, 2016, 28(1): 58-67.DU W J, FENG J Q.A unified anti-aliasing method for deferred shading[J]. Journal of Computer-Aided Design & Computer Graphics, 2016, 28(1): 58-67 (in Chinese).

[20] PEDERSEN L J F. Temporal reprojection anti-aliasing in inside[EB/OL]. [2020-06-05].https://www.gdcvault.com/play/1022970/Temporal-Reprojection-Anti-Aliasing-in.

[21] NEHAB D, SANDER P V, LAWRENCE J, et al. Accelerating real-time shading with reverse reprojection caching[C]//The 22nd ACM SIGGRAPH/EUROGRAPHICS Symposium on Graphics Hardware. New York: ACM Press, 2007: 25-35.

[22] WIKIPEDIA. Minimum bounding box[EB/OL]. [2020-06-05]. https://en.wikipedia.org/wiki/Minimum_ bounding_box.

[23] RáKOS D. Hierarchical-z map based occlusion culling[EB/OL]. [2020-06-05]. http://rastergrid.com/blog/2010/10/hierarchical-z-map-based-occlusion-culling/.

[24] DU R F, CHUANG M, CHANG W, et al. Montage4D: interactive seamless fusion of multiview video textures[C]// 13D’18, Symposium on Interactive 3D Graphics and Games. New York: ACM Press, 2018: 124-133.

Temporal anti-aliasing algorithm based on sparse super-sampling

LI Gen, CHEN Wen-qian, ZHANGYan-ci

(National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University, Chengdu Sichuan 610065, China)

In order to deal with the problems of the temporal anti-aliasing algorithm, such as ghosting, blurring, flickering, and loss of sub-pixel details when processing multiplexing between frames, in the cases of many high-frequency color regions or fine models in the scene, this paper proposed the temporal anti-aliasing algorithm based on sparse super-sampling. The core idea was that, based on the temporal anti-aliasing algorithm, for pixels that cannot reuse historical frames, super-sampling in the spatial domain was re-introduced, and the culling algorithm proposed in this paper was employed to avoid unnecessary drawing overhead and achieve sparse super-sampling. Experimental results show that the algorithm in this paper can obtain the anti-aliasing effect comparable to the super-sampling algorithm, and achieve higher rendering efficiency, which can effectively avoid the problems of ghosting, blurring, flickering, and loss of sub-pixel details.

temporal anti-aliasing algorithm; sparse; super-sampling; culling; reuse

TP 391

10.11996/JG.j.2095-302X.2021010101

A

2095-302X(2021)01-0101-09

2020-07-26；

26 July，2020；

2020-08-10

10 August，2020

國家自然科學基金面上項目(61472261)；國家高技術研究發展計劃(863計劃)(2015AA016405)

：National Natural Science Foundation of China (61472261); The National High Technology Research and Development Program of China (2015AA016405)

李 根(1996-)，男，四川成都人，碩士研究生。主要研究方向為計算機圖形學。E-mail：ligen@stu.scu.edu.cn

LI Gen (1996–), male, master student. His main research interest covers computer graphics. E-mail：ligen@stu.scu.edu.cn

張嚴辭(1975–)，男，四川成都人，教授，博士，碩士生導師。主要研究方向為實時計算機圖形繪制算法、大規模動態場景并行繪制、3D游戲技術、虛擬現實、基于GPU的通用并行計算等。E-mail：yczhang@scu.edu.cn

ZHANG Yan-ci (1975-), male, professor, Ph.D. His main research interests covercomputer graphics rendering algorithms, parallel rendering of large-scale dynamic scenes, 3D game technology, virtual reality, GPU-based general parallel computing, etc. E-mail：yczhang@scu.edu.cn