射线追踪中如何实现反锯齿？

#1 楼

我认为可以肯定地说，在光线跟踪中有两种不同的AA方式：

1：如果您拥有最终图像和深度图像，则可以应用几乎所有现有技术在游戏中（FXAA等），它们直接作用于最终图像，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，然后取平均结果。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（例如）一个光线
渲染后，您可以缩放将图片缩小为512x512（每个像素平均分为4个像素），您会注意到边缘更加平滑。这样，您就可以有效地为512x512大小的最终图像中的每个像素使用4条射线。

此方法还有其他变化。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。

检查中的链接上面的评论。

#2 楼

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。

就像朱利安所说，如果您想每个像素进行$ N $个采样像素，您可以将像素分解为均匀分布的$ N $采样点（基本上在网格上），并对这些采样值求平均。

如果这样做，仍然可以得到别名。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 $个像素内的随机样本，您实际上是在为噪点使用混叠。噪声比混叠更容易出现在眼睛上，看起来更自然，因此通常是首选结果。我相信这甚至是具有较高样本数量的理想情况，但没有更多有关此信息）：

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

使用白噪声对样本进行随机化一个像素内的像素有时会聚集在一起。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。

一种更好的方法是使用一种仅包含高频成分的蓝噪声（例如蓝光如何成为高频光）。

蓝噪声的好处是您可以获得均匀的覆盖范围在像素上，就像使用均匀的采样网格一样，但是仍然会出现一些随机性，从而将混叠化为噪点并为您提供更好看的图像。

不幸的是，蓝噪会非常昂贵进行计算，最好的方法似乎都已申请专利（到底是什么？！），但是，由pixar发明的一种方法（我认为也是获得专利的，但并非100％可以肯定）是制作均匀的样本点，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，您便可以以相当便宜的价格获得某种蓝噪声采样。蓝噪声：
https://www.jasondavies.com/poisson-disc/

如果您对深入研究感兴趣，您可能还需要检查一下这个问题并回答！ br />
在一个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的领域，这就是进行逼真的光线追踪的常用方法。如果您有兴趣了解有关此内容的更多信息，请阅读这篇文章！

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

#3 楼

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);
    }
}
 

它可能要做的一种修改SSAA的4个样本为：

 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;
    }
}
 

另一种可能性是进行随机抖动（代替，但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良好的噪声函数。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射线，而是发射许多覆盖整个像素区域的射线。射线分布越密集，得到的信号越好。

P.S .：我在上面即时编写了代码，所以我希望其中有一些错误。这只是为了展示基本思想。

#4 楼

只需添加以上答案即可：

分布式射线跟踪（库克，波特和木匠）。使您可以同时进行空间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）和镜头上的位置（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射线。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。
这并不完美，因为对象仍然可以“落在样本之间”，但是它可能比以更高的速率均匀采样更便宜。

带有锥体的射线追踪（变形）：而不是使用无限细的射线，而是将每个射线都近似为一个圆锥体，例如，其直径可以覆盖所有像素（和少量邻域），从而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。我很多年前做了一个实现-确实做起来比较困难，但是确实避免了很多额外的光线。
IIRC还提供了一种称为笔迹跟踪的方案（但是我最初的搜索没有找到与纸）