Questions tagged «supersampling»

1
射线追踪中的抗锯齿/过滤
在光线跟踪/路径跟踪中,最简单的抗锯齿图像方法之一是对像素值进行超采样并取平均结果。IE浏览器 而不是通过像素中心拍摄每个样本,而是使样本偏移一定量。 在互联网上搜索时,我发现了两种略有不同的方法: 根据需要生成样本,并使用过滤器权衡结果 PBRT就是一个例子 生成具有等于过滤器形状分布的样本 两个例子是smallpt和Benedikt Bitterli的Tungsten Renderer 产生并称重 基本过程是: 根据需要创建样本(随机,分层,低差异序列等) 使用两个样本(x和y)偏移相机光线 用射线渲染场景 使用过滤器功能和参考像素中心的样本距离计算权重。例如Box过滤器,Tent过滤器,Gaussian过滤器等) 将权重应用于渲染中的颜色 生成过滤器形状 基本前提是使用逆变换采样来创建根据滤波器形状分布的采样。例如,以高斯形状分布的样本的直方图将是: 可以完全完成此操作,也可以将功能合并到离散的pdf / cdf中。smallpt使用帐篷过滤器的确切逆cdf。装箱方法的示例可以在这里找到 问题 每种方法的优缺点是什么?为什么要在另一个上使用一个?我可以想到几件事: 生成和加权似乎是最可靠的,它允许将任何采样方法与任何过滤器进行任意组合。但是,它要求您跟踪ImageBuffer中的权重,然后进行最终确定。 由于您不能使用负pdf,因此“以过滤器形状生成”只能支持正过滤器形状(即,不支持Mitchell,Catmull Rom或Lanczos)。但是,如上所述,由于您无需跟踪任何权重,因此实现起来更容易。 但是,最后,我想您可以将方法2视为方法1的简化,因为它本质上是使用隐式Box Filter权重。

2
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?
在图形中,通常在一个像素的范围内获取多个样本,然后将它们组合在一起(最常见的做法是取平均值),以获得最终的样本像素颜色。这具有防锯齿图像的效果。 一方面,这对我来说很有意义,因为您实际上正在做的是在像素代表的区域上整合像素的颜色。按照这种思路,平均“随机”样本似乎是进行蒙特卡洛积分的理想设置。(“随机”可以分层,基于蓝噪声,低差异序列等) 另一方面,从数字信号处理的角度来看,这感觉是错误的(或者至少不像它那样正确)。从这个角度来看,感觉就像我们要进行大量采样,然后使用盒式滤波器(盒式模糊)进行下采样以获得最终像素值。因此,似乎理想的方法是使用Sinc滤波而不是对样本求平均。我可以看到盒式过滤器比按这些思路进行的辛克式思维便宜。 这让我有些困惑。我们正在整合像素区域并进行平均的核心思想是正确的吗?还是我们正在下采样并且应该使用sinc,但是由于快速而使用盒式滤波器? 还是完全其他? 有点相关:光线跟踪中的抗锯齿/过滤
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.