5.Rasterization 2（Antialiasing and Z-Buffering）（反走样和深度缓冲）
5.Rasterization 2（Antialiasing and Z-Buffering）（反走样和深度缓冲）
这节课介绍反走样和深度缓冲，这节课难得多555
概念：锯齿＝走样，抗锯齿=反走样（采样和走样的关系参考卖家秀和实物图，网恋和奔现）
视频是对时间进行采样，得到一帧帧连续的图
problem of sampling（采样遇到的问题）
- 锯齿（Jaggies-sample in space）
- 摩尔纹（图像去掉奇数行和奇数列)(moire undersample images)
- 看到物体倒转（人眼在时间中的采样跟不上运动速度）(wagon wheel effect-sample in time)
原因：信号变化太快但采样跟不上
antialiasing idea is pre-filteringbefore sample（在采样前做滤波/模糊）
先做一个模糊（滤波）然后再采样（行！）
错误示范：先采样再模糊（那岂不是更糊）（不行！）
frequency domain（频域）
傅里叶奇数展开：任何周期函数都能写成正弦和余弦函数和常数项
傅里叶变换：一个函数经过某复杂变换变成另一个函数
逆傅里叶变换：再变回去
每隔一段时间采样，频率越高越不准确
两种频率用同一种方法进行采样，得到的确是一样的结果，我们无法区分他们，这就称为“走样”
模糊（滤波）：抹掉特定频域的频率（大师我悟了）
傅里叶变换把一个函数从时域（空间不同位置也算时域 ）变到频域，让我们看到图像在各个不同频域长什么样，我们称为频谱。
图像中心最低频，边缘最高频，图像信息的多少通过亮度来表示（例如上图的信息就主要集中在低频区域）
高通滤波（high pass filter）：把低频信息屏蔽，再逆傅里叶变换变成图像
如图所示高通滤波后图片剩下边界，我们认为边界是图像中变化较大的交界处
剧烈变化=高频信息
低通滤波（low pass filter）：把高频信息屏蔽，再逆傅里叶变换变成图像
如图所示边界变得模糊，因为高频信息被去掉了
如图所示是圆通滤波中通滤波申通滤波（误）
filtering = cnvolution （=averaging）（滤波=卷积=平均）
滤波=卷积=平均？
卷积（图形学简单定义）：信号在一个地方的周围做一个平均
卷积定理：时域上对两个信号进行卷积相当于对他们的频域进行乘积
相反也适用（时域上对两个信号进行乘积相当于对他们的频域进行卷积）
所以我们，将图片（时域）进行傅里叶变换，得到频域，把卷积的滤波器也变到频域上，两者相乘，再逆傅里叶变换变回图像
如图所示，图像的频域和滤波器的频域相乘再逆傅里叶变换，就成功对图像进行了模糊
此处盒型滤波器=低通滤波器
若盒子变大，频域上他会变小，因为盒子越大相当于越模糊=边界越不明显=高频信息越来越少，所以频域上变小了
sampling = repeating frequency contents（采样=重复频率上的内容）
采样=重复频率上的内容
如图所示，左边为时域右边为频域
这里a和c乘积=b和d的卷积，得到一堆重复的频谱
所以采样就是重复一个原始信号的频谱
若采样率不足/采样（复制粘贴）的速度太慢（如图所示），原始信号混叠，那这就是走样了！
how can we reduce aliasing error？（我们怎么减少混叠错误）
- 提高显示器分辨率
- 先做模糊再做采样（反走样）（钱不够算法凑）
（有没有豁然开朗的感觉呢）
如图所示以每个像素进行模糊
antialiaing by supersampling（超级采样）
Multi sample antialiaing（MSAA）
把一个像素划分为更小的点，判断是不是在三角形内，然后再平均起来
MSAA不是靠增加分辨率来直接抗锯齿的，而是靠模拟模糊得到近似三角形。
but not free lunch，多倍采样会造成大量的性能损耗（显卡在燃烧）
FXAA（Fast Approximate AA）
先把锯齿图得出，然后再进行后期处理（不是模糊），通过图像匹配找到边界，然后将其换成没有锯齿的边界，非常快速效果也不错。
TAA（Temporal AA）
静态时复用上一帧的结果（先不谈运动时如何使用）
DLSS(Deep Learning Super Sampling)（老黄家RTX的招牌）
通过深度学习把其他样本猜出来，将细节补充，从而提升分辨率
本文于4.15的14:18编辑完成，这周会把前面的补上的！