杜興盛，吳 桐，張靖儀，李 根，李 鑫，張嚴辭,

基于未來幀的時間性反走樣研究及實踐

杜興盛1，吳 桐2，張靖儀2，李 根2，李 鑫3，張嚴辭1,2

(1. 四川大學計算機學院，四川 成都 610065；2. 四川大學視覺合成圖形圖像技術(shù)國家重點學科實驗室，四川 成都 610065；3. 國家空域管理中心，北京 101318)

時間性反走樣算法具有效率優(yōu)勢，是近年來被廣泛應用的實時反走樣算法之一。該算法通過將采樣點平攤至歷史多幀及復用歷史數(shù)據(jù)的方式來實現(xiàn)實時反走樣。在時域信息采樣充分且歷史數(shù)據(jù)可復用的前提下，該算法能取得和超采樣反走樣算法類似的效果。然而在實際應用中，時間性反走樣算法會有幾何邊緣鋸齒、重影及子像素細節(jié)缺失等問題。本文以時間性反走樣算法為研究基礎，針對時間性反走樣算法存在的問題，提出了一種基于未來幀的時間性反走樣算法。其基本思想是，在使用已有時域信息的基礎上，將未經(jīng)反走樣處理的未來一幀納入時間性反走樣，通過使用未來幀的樣本，提升幾何反走樣效果，實現(xiàn)抗重影以及改善子像素細節(jié)缺失情況。本文算法提出了可復用未來幀數(shù)據(jù)提取以及未來幀數(shù)據(jù)復用的解決方案。實驗結(jié)果表明，與時間性反走樣算法相比，該算法的反走樣效果更優(yōu)。

時間性反走樣；未來幀；幾何反走樣；抗重影；子像素細節(jié)缺失

走樣現(xiàn)象一直是影響渲染質(zhì)量的關(guān)鍵因素，近年來，時間性反走樣算法(temporal anti-aliasing，TAA)[1-4]因其較低的計算成本與較少的內(nèi)存占用，在實時渲染領(lǐng)域備受關(guān)注。相比多重采樣反走樣算法[5](multisampling anti-aliasing，MSAA)，TAA能更好地滿足延遲渲染的抗鋸齒需求。然而，由于使用累積幀來代替歷史多幀以及鄰域裁剪方法的局限性，TAA會有重影、圖像模糊及子像素缺失等問題，在時域信息采樣不充分區(qū)域，TAA依然會有幾何邊緣鋸齒問題。

為解決TAA所帶來的這些問題，本文提出了一種基于未來幀的時間性反走樣算法 (future- frame-based temporal anti-aliasing，F(xiàn)TAA)，其基本思想為:在復用歷史數(shù)據(jù)的基礎上，引入未來幀增加時域信息，將未經(jīng)反走樣處理的未來一幀數(shù)據(jù)納入時間性反走樣，緩解TAA存在的幾何邊緣鋸齒、重影與子像素細節(jié)缺失的問題。

1 相關(guān)工作

基于覆蓋超采樣的空間性反走樣算法。走樣的根本原因在于采樣頻率不足，超采樣反走樣算法[6](supersampling anti-aliasing，SSAA)通過混合多個采樣點的著色結(jié)果，可以得到高質(zhì)量的反走樣效果。MSAA將三角形覆蓋率與著色率解耦，同一個三角形若覆蓋多個采樣點，也只會著色一次。NVIDIA的覆蓋采樣反走樣算法(cover-age-sampling anti-aliasing，CSAA)[7]提高了采樣數(shù)，但不增加顯存開銷，三角形覆蓋多少采樣點只影響子像素在混合時的權(quán)重；AMD的增強質(zhì)量反走樣算法(enhanced quality anti-aliasing，EQAA)[8]將子像素著色結(jié)果存放在表格中，每個采樣點只保存著色結(jié)果在表格中的ID，用以將采樣點與著色結(jié)果解耦。

基于圖形分析的空間性反走樣算法。該類算法最早由LOTTES[9]提出，Lottes通過形態(tài)分析的方式有效解決了SSAA的性能問題；JIMENEZ等[10]擴展了形態(tài)分析的反走樣模式，有效緩解了上述算法存在的邊緣模糊問題；文獻[11-12]簡化了形態(tài)分析的匹配過程，顯著提升了上述算法的反走樣效率。然而基于形態(tài)分析的空間性反走樣算法并不能有效解決著色走樣[13]及細節(jié)缺失現(xiàn)象。TOKUYOSHI和KAPLANYAN[14]將幾何分析和光照計算相結(jié)合，有效緩解了著色走樣；文獻[15-16]通過擴展幾何緩存(G-Buffer)和引入幾何分析的方式顯著提升了反走樣算法的細節(jié)恢復效果。

TAA算法是一種將空域內(nèi)的采樣點平攤到時域上，以達到降低每幀渲染時間的超采樣方法。Intel提出了一種和傳統(tǒng)形態(tài)反走樣相結(jié)合的TAA[3]；NVIDIA在Game Developer Conference分享了一種和自適應超采樣相結(jié)合的TAA[17]；AMD旗下Radeon系列顯卡集成了Radeon圖像銳化技術(shù)[18]。Naughty Dog Game Engine于2016年SIGGRAPH會議上分享過和自適應濾波技術(shù)相結(jié)合的TAA[19]；Decima Engine于2017年SIGGRAPH會議上分享過和快速近似反走樣相結(jié)合的TAA[20]；Unreal Engine于2017和2018年SIGGRAPH會議上分享了諸多和TAA相關(guān)的研究成果[4,21]。

深度學習反走樣算法。NALBACH等[22]提出過一種基于卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)的深度學習反走樣算法。SALVI[23]利用循環(huán)神經(jīng)網(wǎng)絡來改進深度學習反走樣算法的時序穩(wěn)定性。NVIDIA在圖靈顯卡架構(gòu)的基礎上提出過一種基于深度學習的超采樣反走樣算法(deep learning super sampling)[24]。

2 算法概述

TAA[1]通過復用歷史數(shù)據(jù)的方式，可有效滿足實時反走樣算法的性能要求。然而其在實際運用中，也存在諸多影響圖像質(zhì)量的問題，如圖1所示。圖1(a)由于相機運動，新出現(xiàn)物體因累積幀時域信息缺失，使得幾何邊緣鋸齒無法消除；圖1(b)由于鄰域裁剪在高頻信息處失效，運動物體的歷史數(shù)據(jù)被錯誤復用出現(xiàn)重影；圖1(c)由于子像素細節(jié)采樣失敗，同時鄰域裁剪出錯使得無法正確復用累積幀，導致子像素細節(jié)缺失。

針對TAA存在的幾何邊緣鋸齒、重影及子像素細節(jié)缺失問題，本文受視頻壓縮中雙向預測[25]的啟發(fā)，提出了FTAA算法。其基本思想為：在復用累積幀的基礎上，引入未來一幀，同時利用未來幀提供的時域信息緩解TAA存在的幾何邊緣鋸齒、重影與子像素細節(jié)缺失問題，并解決了如下問題：

圖1 TAA算法問題((a)鋸齒問題；(b)重影問題；(c)子像素缺失問題)

(1) 在累積幀時域信息缺失區(qū)域，由于FTAA引入了未來幀提供了更多的時域信息，將當前幀和未來幀數(shù)據(jù)進行混合，從而實現(xiàn)更好的幾何邊緣抗鋸齒效果。

(2) FTAA將時間性反走樣的混合因子擴充到未來幀，通過改變混合方式，在保持原有反走樣效果的同時，降低混合結(jié)果對累積幀中歷史數(shù)據(jù)的依賴，從而抑制重影。

(3) 當前幀子像素細節(jié)采樣失敗時，未來幀子像素細節(jié)采樣可能成功，F(xiàn)TAA加入未來幀數(shù)據(jù)可以降低子像素細節(jié)缺失程度；除此之外，F(xiàn)TAA通過引入未來幀來提升鄰域裁剪的限制范圍，同時降低累積幀子像素細節(jié)被裁剪出錯概率，進一步降低子像素細節(jié)缺失程度。

3 FTAA

3.1 基于G-Buffer和重采樣的可復用未來幀數(shù)據(jù)提取方案

本文利用G-Buffer提供的運動向量，從可見性的角度來評估未來幀數(shù)據(jù)的可復用性，進而實現(xiàn)未來幀數(shù)據(jù)的有效提取。該思路的基本假設如下：①可見的未來樣本對應的著色數(shù)據(jù)具備可復用性；②不可見的未來樣本對應的著色數(shù)據(jù)不具備可復用性。其中可見性指未來樣本是否落在時刻目標像素的可見范疇。如圖2所示，像素在當前時刻采樣到了藍色樣本，而物體間遮擋變化使得1時刻采樣到的橙色樣本并未落在時刻像素的可見范疇，1時刻像素對應的橙色樣本為典型的不具備可見性的未來樣本。

圖3為評估可見性方法流程。假設場景中僅桌形物體發(fā)生運動。圖中紅色方格對應的像素p在時刻采樣到了背景，這將使得p重投影得到的對應樣本s1能投影回時刻目標像素p中心位置，判斷未來樣本s1在目標像素p的可見范疇。然而紫色方格對應的像素p在時刻采樣到了桌腳，桌腳在1時刻不可見，p重投影得到的桌面樣本s1，并不能重投影至時刻目標像素p中心位置，判斷未來樣本s1在目標像素p為不可見范疇。

圖2可見性發(fā)生變化

圖3 評估可見性方法流程

基于精度受損考慮，方法通過s+1能否重投影至時刻目標像素相近范疇來評估s+1的可見性，評估過程為

3.2 未來幀數(shù)據(jù)復用機制

3.2.1 未來幀數(shù)據(jù)融合方案

未來幀未經(jīng)反走樣處理，直接引入反而會加劇走樣，因此本方案將當前幀與未來幀進行初步融合，獲得初步反走樣結(jié)果為

其中，e為最小閾值；e為最大閾值；lux為亮度求取函數(shù)；max為最大值函數(shù)；clp為限制函數(shù)。

3.2.2 基于未來幀的鄰域裁剪改進方案

對于存在子像素細節(jié)的目標像素，若對應的歷史數(shù)據(jù)包含子像素細節(jié)，而時刻目標像素鄰近像素范疇內(nèi)的抖動樣本均未采樣到子像素細節(jié)，則鄰域裁剪會出錯，進而導致子像素細節(jié)缺失。為了緩解上述問題，本文提出了基于未來幀的鄰域裁剪改進方法，以減少鄰域裁剪的出錯頻率。改進方法為，復用1幀可見樣本著色信息，以提高樣本采樣到子像素細節(jié)的幾率，從而降低了子像素細節(jié)缺失概率。

本文通過改進AABB的構(gòu)建方式，來解決子像素細節(jié)缺失問題。即利用幀及初步反走樣結(jié)果中鄰近像素范疇內(nèi)的著色樣本，確定著色極值(包括極小值和極大值)，進而確定AABB的頂點，以提升AABB的限制精度，其提升將降低被錯誤修正的可能性。改進方法僅在靜態(tài)場景下使用，因為場景運動將導致目標像素及鄰近像素范疇內(nèi)的樣本很難采樣到包含子像素細節(jié)的運動信息，進而導致包含子像素細節(jié)信息的概率很低。而動態(tài)場景下，使用改進后的鄰域裁剪方法，將不能顯著改善子像素細節(jié)缺失情況。綜合考慮時間開銷和效果，復用機制僅在靜態(tài)場景下使用改進后的方法，動態(tài)場景仍使用原有方法。裁剪結(jié)果將作為基于未來幀的混合方案的累積幀數(shù)據(jù)。

3.3 基于未來幀的混合方案

4 實驗結(jié)果與分析

4.1 實驗概述

針對文獻[1]TAA算法存在的幾何邊緣鋸齒、子像素細節(jié)缺失、重影問題，本文提出了基于FTAA算法，并設計了一系列實驗，用于驗證其有效性。

實驗環(huán)境為NVIDIA GeForce GTX-1060 GPU，Intel(R) Core(TM) i5-8400 CPU，8 GB內(nèi)存。輸出分辨率均為1920×1080，實驗中使用采樣率為32 spp的SSAA算法產(chǎn)生的結(jié)果作為Ground Truth。

4.2 驗證FTAA方法能有效緩解時域欠采樣區(qū)域的幾何邊緣鋸齒

圖4 時域信息缺失區(qū)域相框反走樣效果對比

4.3 驗證FTAA方法能有效緩解重影問題

實驗過程中選取圖5所示的TAA無法根除重影的區(qū)域進行對比。由圖5(a)可見，小車向左運動時，地毯著色變化較為顯著，鄰域裁剪失效，TAA方法出現(xiàn)了藍色區(qū)域所示的重影。對比圖5(b)和(a)可知，F(xiàn)TAA取得比TAA更好的抗重影效果。與TAA相比，F(xiàn)TAA因多復用未來幀數(shù)據(jù)，影響了歷史數(shù)據(jù)初始權(quán)重的計算結(jié)果，并且在高頻區(qū)域，根據(jù)基于未來幀的混合方案，累積幀的混合權(quán)重會進一步降低，從而有效抑制了重影問題。

4.4 驗證FTAA方法能有效緩解子像素缺失問題

實驗通過對比圖6所示的吊燈在反走樣效果上的差異，來驗證FTAA方法對子像素細節(jié)缺失情況的改善。圖6(a)～(c)分別展示了TAA，F(xiàn)TAA及SSAA在吊燈區(qū)域的反走樣效果。觀察圖6(a)和(c)藍色方框標記的區(qū)域，可以明顯看到TAA方法存在顯著的子像素細節(jié)缺失。而對比圖6(a)和6(b)藍色標記區(qū)域的反走樣結(jié)果可知，F(xiàn)TAA有效改善了子像素細節(jié)缺失的情況。在本文方法中，未來幀數(shù)據(jù)融合方案可以引入有效的未來幀數(shù)據(jù)中子像素信息；并且對鄰域裁剪方法進行改進后，引入了未來幀數(shù)據(jù)，以提升歷史限制精度，進而降低包含子像素細節(jié)的歷史數(shù)據(jù)被丟棄的概率。總之，F(xiàn)TAA方法增加子像素被采樣到的概率，減少了鄰域裁剪的出錯頻率，進而改善子像素細節(jié)缺失的情況。

4.5 驗證FTAA 在實際應用中的有效性

為了驗證在實際應用中FTAA能取得比TAA更優(yōu)的反走樣效果。在實驗場景中設了多個視角進行相機漫游，并獲取連續(xù)幀畫面經(jīng)TAA，F(xiàn)TAA及SSAA反走樣處理后的效果圖，以及3種方法的平均渲染幀率。實驗共獲取了1 304幀畫面對應的反走樣效果圖，并將其作為性能評估指標SSIM及PSNR的輸入數(shù)據(jù)。將SSAA的反走樣結(jié)果將作為參考效果。

圖5 物體運動區(qū)域反走樣效果對比

圖6 子像素區(qū)域反走樣效果對比

圖7展示了1 304 幀畫面在不同算法下的反走樣性能評估指標的計算結(jié)果。觀察SSIM曲線和PSNR曲線的變化情況可知，曲線起始區(qū)域的變化尤為顯著。這與時間平攤超采樣的理念有關(guān)，起始幀開始，隨著時間的推進，采樣頻率將會提高，時域信息的采樣逐漸飽和；在時域信息飽和的過程中，反走樣質(zhì)量將會急劇提升；時域信息飽和后，反走樣質(zhì)量基本穩(wěn)定。但相機或場景的運動會使得當前幀的一些區(qū)域未出現(xiàn)在歷史幀中，進而導致當前幀部分區(qū)域缺乏充足的時域信息，從而使得反走樣質(zhì)量發(fā)生浮動。觀察曲線非起始部分的浮動情況，可以明顯看到FTAA的評估結(jié)果普遍高于TAA。這證實了FTAA在實際應用中的有效性，說明其反走樣質(zhì)量普遍優(yōu)于TAA。

圖7 SSIM及PSNR評估結(jié)果示意圖

表1統(tǒng)計了1 304幀畫面在不同算法下的渲染幀率。由表1可知，F(xiàn)TAA的渲染幀率略低于TAA，但明顯優(yōu)于SSAA，其能滿足實時反走樣的性能需求。由于SSAA每幀目標像素需要生成多個著色樣，TAA和FTAA每幀目標像素僅生成一個著色樣本，其余的樣本從歷史幀及未來幀中獲取，所以TAA和FTAA的渲染幀率優(yōu)于SSAA。而與TAA對比，F(xiàn)TAA在反走樣過程中需要提取和復用未來數(shù)據(jù)，這將增加時間成本，因而FTAA的渲染幀率略遜于TAA。

表1 渲染幀率對比

4.6 FTAA方法與DLSS2.0方法定性對比分析

NVIDIA在圖靈顯卡架構(gòu)的基礎上提出的基于深度學習的超采樣反走樣算法2.0[24](deep learning super sampling，DLSS2.0)是當下廣泛使用的基于深度學習的反走樣算法。由于本文未復現(xiàn)DLSS2.0方法，所以不能在相同條件下進行效率和效果的對比分析，只簡單地從原理上進行歸納總結(jié)，在應用場景、實現(xiàn)難易程度等方面進行對比分析。DLSS2.0方法可以借助RTX GPU和訓練好的AI模型加速運算，每幀只需1/4分辨率的像素渲染結(jié)果作為輸入，利用低分辨率幀得到近似與原始分辨率的畫質(zhì)，且?guī)时仍挤直媛实母摺LSS2.0方法可以處理光照及陰影變化情況，在復雜的動態(tài)場景中，本文效果要遜色于DLSS2.0方法。但由于DLSS2.0方法是在圖靈顯卡架構(gòu)的基礎上提出的，需要RTX顯卡才能支持，并且需要準備訓練集以及訓練相應的AI模型。FTAA方法不依賴于圖靈顯卡架構(gòu)，對硬件要求更低，也無需訓練集和AI模型訓練，可以直接部署在場景中使用，實現(xiàn)更簡單。

4.7 算法局限性分析

針對幾何邊緣鋸齒、重影及子像素細節(jié)缺失問題，本文提出了FTAA方法。FTAA雖能通過復用未來幀提供的時域信息，以改善TAA的反走樣效果，但其仍存在如下不足：

(1) 與TAA相比，F(xiàn)TAA的時間成本略遜。FTAA是利用未來幀數(shù)據(jù)實現(xiàn)改進目的的。然而，在可復用未來幀數(shù)據(jù)提取及復用的過程中，將對效率產(chǎn)生一定影響，即時間成本的提升。

(2) 本文提出的可復用未來幀數(shù)據(jù)提取方法，并未考慮光照及陰影對提取效果的影響。換言之，在光照或陰影變化時，提取方法獲取的未來幀數(shù)據(jù)可能不具備可復用性，這將對FTAA的反走樣效果產(chǎn)生不利影響。

5 結(jié)束語

為了改進TAA存在的走樣問題(包括幾何邊緣鋸齒、重影及子像素細節(jié)缺失)，本文提出了一種基于未來幀的時間性反走樣算法。算法最終能實現(xiàn)：①改進了時域欠采樣區(qū)域的幾何邊緣抗鋸齒效果；②取得了重影抑制的效果；③降低了子像素細節(jié)缺失程度。然而，本文算法仍需在以下方面進一步改進和完善：

(1) 本文方法在設計的過程中，并未考慮光照及陰影變化對提取效果的影響。如何在光照及陰影變化的情況下，取得較優(yōu)的可復用未來幀數(shù)據(jù)提取效果，將是未來工作的重要研究方向之一。

(2) 本文設計的FTAA并未解決超高分辨圖像的反走樣問題。出于擴大FTAA應用范疇的考慮，后續(xù)將研究如何復用未來一幀提供的時域信息，以改進超高分辨圖像的反走樣效果。

[1] PEDERSEN L J F. Temporal reprojection anti-aliasing in inside[J]. Game Developers Conference, 2016, 3(4): 10.

[2] YANG L, LIU S Q, SALVI M. A survey of temporal antialiasing techniques[J]. Computer Graphics Forum, 2020, 39(2): 607-621.

[3] KIM S. Temporally stable conservative morphological anti-aliasing (tscmaa)[EB/OL]. [2021-04-10]. https://www. intel.com/content/www/us/en/developer/articles/technical/temporally-stable-conservative-morphological-anti-aliasing-tscmaa.html.

[4] ABADIE G. A life of a bokeh[EB/OL]. [2021-04-10]. https://advances.realtimerendering.com/s2018/.

[5] FRIDVALSZKY A, TóTH, B. Multisample anti-aliasing in deferred rendering[C]//The Eurographics Association 2020. Goslar: Eurographics Association Press, 2020: 21-24.

[6] BEETS K, BARRON D. Super-sampling anti-aliasing analyzed[EB/OL]. [2021-04-10]. https://www.beyond3d.com/ content/articles/37/.

[7] NVIDIA. NVIDIA Tesla P100[EB/OL]. [2021-04-10]. https://images.nvidia.com/content/pdf/tesla/whitepaper/pascal-architecture-whitepaper.pdf.

[8] AMD. EQAA Modes for AMD 6900 Series Graphics Cards[EB/OL]. [2021-04-10]. https://developer.amd.com/ wordpress/media/2012/10/EQAA%2520Modes%2520for%2520AMD%2520HD%25206900%2520Series%2520Cards.pdf.

[9] LOTTES T. Fxaa[EB/OL]. [2021-04-10]. https://developer. download.nvidia.com/assets/gamedev/files/sdk/11/FXAA_WhitePaper.pdf.

[10] JIMENEZ J, MASIA B, ECHEVARRIA J I, et al. Practical morphological antialiasing[M]//GPU Pro 360. Boca Raton: Taylor & Francis, CRC Press, 2018: 135-153.

[11] STRUGAR F, LAKE A. Conservative morphological anti-aliasing 2.0[EB/OL]. [2021-04-10]. https://www.intel. com/content/www/us/en/developer/articles/technical/conservative-morphological-anti-aliasing-20.html.

[12] JIMENEZ J, ECHEVARRIA J I, SOUSA T, et al. SMAA: enhanced subpixel morphological antialiasing[J]. Computer Graphics Forum, 2012, 31(2pt1): 355-364.

[13] KAPLANYAN A S, HILL S, PATNEY A, et al. Filtering distributions of normals for shading antialiasing[C]// Proceedings of High Performance Graphics. Goslar: Eurographics Association Press, 2016: 151-162.

[14] TOKUYOSHI Y, KAPLANYAN A S. Improved geometric specular antialiasing[C]//The ACM SIGGRAPH Symposium on Interactive 3D Graphics and Games. New York: ACM Press, 2019: 1-8.

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

[16] 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.

[17] MARRS A, SPJUT J, GRUEN H, et al. Improving temporal antialiasing with adaptive ray tracing[M]. Heidelberg: Springer, 2019: 353-370.

[18] EDELSTEN A. Amd radeon? image sharpening[EB/OL]. [2021-04-10]. https://www.amd.com/en/technologies/radeon- software-image-sharpening.

[19] XU K. Temporal antialiasing in uncharted 4[EB/OL]. [2021-04-10]. http://advances.realtimerendering.com/s2016/.

[20] DE CARPENTIER G, ISHIYAMA K. Decima engine: advances in lighting and aa[EB/OL]. [2021-04-10]. https:// advances.realtimerendering.com/s2017/.

[21] BAVOIL C. Aggregate g-buffer anti-aliasing in unreal engine 4[EB/OL]. [2021-04-10]. http://advances.realtimerendering. com/s2016/.

[22] NALBACH O, ARABADZHIYSKA E, MEHTA D, et al. Deep shading: convolutional neural networks for screen space shading[J]. Computer Graphics Forum, 2017, 36(4): 65-78.

[23] SALVI M. Deep Learning: The Future of Real-Time Rendering? [EB/OL]. [2021-04-10]. https://openproblems. realtimerendering.com/s2017/.

[24] LIU E. Dlss 2.0 - image reconstruction for real-time rendering with deep learning[EB/OL]. [2021-04-10]. http://behindthepixels. io/assets/files/DLSS2.0.pdf.

[25] SOFOKLEOUS A. Review: H.264 and MPEG-4 video compression: video coding for next-generation multimedia[J]. The Computer Journal, 2005, 48(5): 563.

Future-frame-based temporal anti-aliasing research and practice

DU Xing-sheng1, WU Tong2, ZHANG Jing-yi2, LI Gen2, LI Xin3, ZHANG Yan-ci1,2

(1. College of Computer Science, Sichuan University, Chengdu Sichuan 610065, China; 2. National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University, Chengdu Sichuan 610065, China; 3. National Airspace Management Center, Beijing 101318, China)

Highly advantageous in efficiency, the algorithm of temporal anti-aliasing has been one of the most widely employed real-time anti-aliasing algorithms in recent years. To achieve real-time anti-aliasing, this algorithm assigns the sampling points to the multiple history frames and reuses historical data. When the sampling information in the time domain is sufficient and historical data is usable, it can achieve a similar effect as supersampling anti-aliasing can. However, problems such as geometric edge jagging, ghosting, and subpixel detail missing will arise in the use of this algorithm in practical applications. Based on the research of temporal anti-aliasing, this thesis proposed the future-frame-based temporal anti-aliasing to solve the problems. The basic idea of the proposed algorithm was that: using the existing information in the time domain, it took the next aliasing future frame into account, using samples in future frame to enhance the geometric anti-aliasing effect, achieve anti-ghosting, and improve the situation of subpixel detail missing. In the process of implementation, this thesis proposed solutions to reusable future data extraction and future data reuse. Experimental results indicate that compared with the temporal anti-aliasing, the proposed algorithm can yield a better effect.

temporal anti-aliasing; future frame; geometric anti-aliasing; anti-ghosting; subpixel detail missing

23 June，2021；

TP 391

10.11996/JG.j.2095-302X.2022010133

A

2095-302X(2022)01-0133-08

2021-06-23；

2021-08-03

3 August，2021

國家重大項目(GJXM92579)

National Key Projects (GJXM92579)

杜興盛(1997–)，男，碩士研究生。主要研究方向為計算機圖形學。E-mail：1425174059@qq.com

DU Xing-sheng (1997–), master student. His main research interest covers computer graphic. E-mail：1425174059@qq.com

張嚴辭(1975–)，男，教授，博士。主要研究方向為計算機圖形學、基于GPU的通用并行計算、3D游戲技術(shù)等。E-mail：yczhang@scu.edu.cn

ZHANG Yan-ci (1975–), professor, Ph.D. His main research interests cover computer graphic, generic GPU-based parallel computing, 3D game technical, etc. E-mail：yczhang@scu.edu.cn