射线追踪中如何实现反锯齿？

在在线阅读了几篇文章之后，我可以自信地说我对使用射线追踪时抗锯齿的工作原理一无所知。

我所了解的是，单个像素/射线被分成4个子像素和4条射线，而不是1条。

有人可以解释一下这是怎么做的（最好是用代码）吗？

我认为可以肯定地说，有两种方法可以在光线追踪中进行AA：

1：如果您拥有最终图像和深度图像，则可以应用游戏中使用的几乎所有现有技术（FXAA等），这些技术直接作用于最终图像，并且与光线追踪无关

2：第二种方法是考虑每个像素的多条光线，然后平均结果。对于一个非常简单的版本，可以这样考虑：

• 您首先渲染尺寸为1024x1024的图像，每个像素一束（例如）
• 渲染后，将图像缩放到512x512（每个4像素平均为一个），您会注意到边缘更加平滑。这样，您有效地为512x512大小的最终图像中的每个像素使用了4条射线。

此方法还有其他变体。例如，您可以调整恰好位于几何图形边缘的像素的样本数量，这意味着对于某些像素，您将只有4个样本，而对于其他像素，则只有16个样本。

检查上面评论中的链接。

Raxvan完全正确地说，“传统”抗锯齿技术将在光线跟踪中起作用，包括那些使用诸如深度之类的信息进行抗锯齿的技术。例如，您甚至可以在光线跟踪中进行时间抗锯齿。

朱利安（Julien）在Raxvan的第二项内容上进行了扩展，这是对超级采样的解释，并展示了您实际上是如何做的，还提到您可以随机化像素内采样的位置，但是随后您进入了信号处理国家，更深，这绝对是！

$N$$N$

如果这样做，您仍然可以使用别名。最好不要执行此操作，因为您可以提高采样率，因此能够处理更高频率的数据（又称较小的细节），但仍可能导致混叠。

$N$

当您仅使用“常规”随机数（例如从rand（）或std :: uniform_int_distribution获得）时，称为“白噪声”，因为它包含所有频率，例如白光如何由其他所有颜色（频率）组成）的光。

使用白噪声将像素内的样本随机化会带来问题，有时您的样本会聚集在一起。例如，如果您平均一个像素中有100个样本，但是它们最终都位于该像素的左上角，那么您将不会获得有关该像素其他部分的任何信息，因此最终得到的像素颜色将缺少有关其应使用的颜色的信息。

更好的方法是使用仅包含高频成分的蓝噪声（例如蓝光是高频光）。

蓝色噪点的好处是，您可以获得均匀的像素覆盖范围，就像使用均匀的采样网格一样，但是，您仍然会得到一些随机性，这将混叠化为噪点并为您提供更好的图像。

不幸的是，蓝噪声的计算成本非常高，最好的方法似乎都已申请了专利（到底是什么？！），但是一种方法是由pixar发明的（我认为也已获得专利，但并非100％肯定）就是制作一个均匀的采样点网格，然后将每个采样点随机偏移少量​​-就像采样网格宽度和高度的正负一半之间的随机量一样。这样，您就可以以相当便宜的价格获得某种蓝噪声采样。

请注意，这是分层采样的一种形式，泊松磁盘采样也是这种形式的一种，这也是产生蓝噪声的一种方式：https : //www.jasondavies.com/poisson-disc/

如果您有兴趣进一步研究，可能还需要检查一下这个问题并回答！

在像素内使用多个随机样本进行抗锯齿的基本原因是什么？

最后，这些东西开始误入蒙特卡洛路径跟踪领域，这是进行逼真的光线跟踪的常用方法。如果您有兴趣了解更多有关此内容，请阅读本书！

http://blog.demofox.org/2016/09/21/path-tracing-getting-started-with-diffuse-and-emissive/

让我们假设一个相当典型的光线跟踪主循环：

struct Ray
{
    vec3 origin;
    vec3 direction;
};

RGBColor* image = CreateImageBuffer(width, height);

for (int j=0; j < height; ++i)
{
    for (int i=0; i < width; ++i)
    {
        float x = 2.0 * (float)i / (float)max(width, height) - 1.0;
        float y = 2.0 * (float)j / (float)max(width, height) - 1.0;

        vec3 dir = normalize(vec3(x, y, -tanHalfFov));
        Ray r = { cameraPosition, dir };

        image[width * j + i] = ComputeColor(r);
    }
}

可以做4个MSAA样本的一种可能修改是：

float jitterMatrix[4 * 2] = {
    -1.0/4.0,  3.0/4.0,
     3.0/4.0,  1.0/3.0,
    -3.0/4.0, -1.0/4.0,
     1.0/4.0, -3.0/4.0,
};

for (int j=0; j < height; ++i)
{
    for (int i=0; i < width; ++i)
    {
        // Init the pixel to 100% black (no light).
        image[width * j + i] = RGBColor(0.0);

        // Accumulate light for N samples.
        for (int sample = 0; sample < 4; ++sample)
        {
            float x = 2.0 * (i + jitterMatrix[2*sample]) / (float)max(width, height) - 1.0;
            float y = 2.0 * (i + jitterMatrix[2*sample+1]) / (float)max(width, height) - 1.0;

            vec3 dir = normalize(vec3(x, y, -tanHalfFov) + jitter);
            Ray r = { cameraPosition, dir };

            image[width * j + i] += ComputeColor(r);
        }

        // Get the average.
        image[width * j + i] /= 4.0;
    }
}

另一种可能性是做一个随机抖动（而不是上面的基于矩阵的抖动），但是您很快就会进入信号处理领域，需要大量阅读才能知道如何选择一个好的噪声函数。

但是这个想法仍然是一样的：考虑像素代表一个很小的正方形区域，而不是只发射一条穿过像素中心的光线，而是发射覆盖整个像素区域的许多光线。射线分布越密集，得到的信号越好。

PS：我是即时编写上面的代码，所以我希望其中有一些错误。这仅是为了展示基本思想。

只是添加到上面的答案：

分布式射线追踪（库克，波特和木匠）。允许您同时进行空间AA，时间AA（即运动模糊）和景深/景深。最好阅读论文，但基本上每个像素发射的N射线也可以分配伪随机时间（用于运动模糊）和透镜上的位置（以获得聚焦效果）。

自适应超级采样：您最初会在每个像素上发射一定数量的光线。但是，如果本地附近的光线返回的结果明显不同，则可以在本地增加采样率（例如2倍）以改善结果。您可以选择重复此过程。由于对象仍然可以“落入样本之间”，因此它不是完美的，但是它可能比以更高的速率进行均匀采样便宜。

带有圆锥体（Amanatides）的光线追踪：不是使用无限细的光线，而是通过圆锥体来近似每条光线，比如说它的直径覆盖了所有像素（和一些邻居），可以评估部分覆盖率。它还对纹理采样/抗锯齿，柔和阴影以及潜在的模型LOD有好处。我做了一个实现许多年前-它肯定更困难的事，但它避免了大量的附加射线。IIRC也有一个称为铅笔追踪的方案（但是我最初的搜索没有找到论文的链接）