Rasterization (光柵化)

在 MVP Transformation 一節中我們已經介紹了要如何將整個坐標系投影的螢幕坐標上，同時也先簡單介紹了螢幕空間，如果你還不曉得這些是什麼，那記得先去看前一節

這些轉換後得到的信息此時還只是空間中描述的一堆三角形，還沒有真正的變成圖片，因此這節我們就要講如何讓它變成圖片，也就是要怎麼將這些空間中的三角形轉化成像素，將多邊形打碎成像素的過程就是我們所說的光柵化

CRT 螢幕

早期的 CRT 螢幕內使用陰極射線管，其會產生很多的電子，這些電子在經過加速後，會穿過顯示設備，並發生偏轉，進而打在螢幕上的某一個位置。如果這個過程足夠快，你就不會看到一個一個電子打在螢幕上的過程，而是會看到一整個形狀，這就是早期 CRT 螢幕的原理：

這些電子在打的時候是通過一種類似掃描的方式，從左上角開始往右填滿一整個 row，接著換到下一列再重複這個動作，當這些線足夠密集的時候就可以覆蓋整個螢幕了

有時候為了畫快一點，對於每張圖像上可以只挑選奇數或偶數行畫，例如第一張圖只畫奇數行，第二張圖只畫偶數行，如此交替，由於人眼的視覺暫留，看起來就與全畫差不多，不過這對於一些高速運動的畫面會有撕裂感。這個做法被稱為隔行掃描，現今仍有一些壓縮技術在使用

三角形

前面有提到我們基本上是用三角形在表示物體的，這是因為三角形的表現能力很強，也有很多不錯的性質，例如它是最基礎的多邊形，沒有比三角形邊更少的多邊形了，否則就退化為線段了；再來多邊形都可以被拆成三角形，因此三角形相當於是所有多邊形的基礎

再來，如果我們給定三角形的三個點，連成了一個三角形，其內部一定會是平面的；如果是四邊形，想像沿著某個對角線一折，它就不是平面的了，但三角形不會，除非你把它折成兩個三角形。而且三角形的內外定義是非常清晰的，我們可以通過向量的外積來判斷一個點是不是在三角形內的

另外，假設三角形的三個頂點有不同的屬性，那在三角形內，我們是可以透過內差來達到漸變的效果的，也就是可以把三角形內任何一個點的屬性給猜出來

Sampling introduction (取樣/採樣)

所以我們現在就盯著三角形來看，我們知道不管原先的三角形在哪裡，經過 MVP 和 Viewport 變換後現在都在螢幕座標中，透過其 $X$ 與 $Y$ 座標我們就可以找到它在螢幕上的什麼位置

現在看左邊這幅圖，它是一個三角形，三個頂點的座標我們都可以寫出來，現在我們想要把三角形給變成真正的像素

圖中的坐標系原點是在左上角，但這沒關係，不影響我們解釋概念

但像素的內部是不可能有顏色變化的，整個像素需要維持同一個顏色，因此像是底下這種情況：

它剛好被三角形擋住了大約一半的面積，那這個到底要怎麼算呢? 它只能是全紅或是全白的，如何判斷這種情況就是接下來我們要做的事情，也是光柵化中最重要的一個概念 ── 取樣

所謂的取樣簡單來說就是，給你一個連續的函數，我們在不同的地方去取這個函數的值是多少，假設有一個函數 $f (x) = s i n (x)$ ，然後我們開始記錄 $f (1)$ 、 $f (2)$ 、 $f (3)$ 一直到 $f (100)$ 的值，這樣把函數給離散化的過程就是取樣

在圖學中這是一個很重要的概念，我們會涉及到各種不同的取樣，我們需要利用像素的中心對螢幕空間進行取樣，這相當於我們需要算出一個定義在螢幕空間上的函數，在不同的像素中心的值是多少

後面我們還會提到可以對時間、位置取樣，又或是物體表面反射的性質也可以取樣，甚至是三維空間本身也可以取樣，例如醫學中的 CT 或是核磁共振成像等，成像的結果是三維的，這就是對病人體內位置的取樣結果

回到我們的例子中，我們要取樣的是一個三角形，我們可以透過判斷像素的中心是否在三角形內來進行取樣，這個操作可以寫成函數 inside：

inside (t, x, y) = {\begin{cases} 1 & if Point (x, y) is in triangle t \\ 0 & otherwise \end{cases}

應該沒什麼問題，如果點在三角形內就回傳 $1$ ，否則回傳 $0$

接下來我們可以透過遍歷整個螢幕空間來去檢查所有的像素中心是不是在三角形內：

for (int x = 0; x < xmax; ++x)
  for (int y = 0; y < ymax; ++y)
    image[x][y] = inside(tri, x + 0.5, y + 0.5);

之後再給它不同的顏色，這就是一個最最最簡單的通過取樣方法來完成的光柵化過程

如何判斷在三角形內?

接下來我們要考慮如何實作 inside 函式，這個問題前面已經提到可以用外積來做了，假設如下圖，給予三角形的三個頂點 $P_{0}$ 、 $P_{1}$ 、 $P_{2}$ 與點 $Q$ ：

計算 $\vec{P_{1} P_{2}} \times \vec{P_{1} Q}$ 時，我們可以利用外積結果的正負值確定點 $Q$ 是在 $\vec{P_{1} P_{2}}$ 的左側還是右側，由於這裡的結果是正的所以可以知道是在左側

接著我們繼續計算 $\vec{P_{0} P_{1}} \times \vec{P_{0} Q}$ ，仍然是在左側；但當我們計算 $\vec{P_{2} P_{0}} \times \vec{P_{2} Q}$ 就會發現其在右側，從這裡我們就可以得知點 $Q$ 在三角形外了

這邊拿一下 GAMES103 的投影片來幫助理解：

至此，我們就知道給定一個點與一個三角形，該如何判斷點是否在三角形內了，接著只要結合前面取樣的方法，就可以知道每一個像素對應的值了

到這邊你可能會有一個問題，如果點剛好在邊上怎麼辦? 通常對於這類邊界問題，圖學中常常會選擇忽略它，因此這邊我們就先不做處理，不過在一些圖學的 API 內，例如 OpenGL 或 DirectX，它們有對應的嚴格定義，有興趣的可以再去查查看

Aliasing (混疊/走樣)

現在我們按照上面的方法將三角形投影到像素上了，此時它的樣子會長這樣：

此時你會發現由於每個像素只能是一個均勻的顏色，因此輸出的三角形與原先的會有顯著的差異，雖然形狀基本一致，但會有鋸齒，這個鋸齒就是光柵化圖學裡面一直在致力解決的一個問題

鋸齒產生的原因是因為像素本身有自己一定的大小，導致我們取樣的取樣率對於訊號來說是不夠高的，此時就會產生訊號混疊的問題，反映在這裡就是所謂的鋸齒

因此我們的下一步就是要做抗鋸齒，在訊號與系統裡面被稱為抗混疊

Speed up

這邊最後補充個小插曲，上面的方法需要遍歷所有的像素，我們可以稍微做一些加速，例如紀錄三角形最小與最大的 $X$ 、 $Y$ 值，並只遍歷這個區域，如下圖中的藍色區域，這又被稱為包圍盒 (Bounding Box)：

不過這個在三角形是窄長形狀，且又剛好旋轉 45 度分布在包圍盒對角線時，還是會有許多無效區域

另外其實還有很多神奇的加速方法，例如可以針對三角形的每一行都找到最左與最右的位置，並只在該區域中進行判斷，這也類似包圍盒的概念：

不過這個說起來容易，做起來其實挺困難的

Antialiasing (抗鋸齒)

上面提到鋸齒是因為取樣率對於訊號來說是不夠高，進而產生訊號混疊的問題，這邊可以再看另一個例子 ── 摩爾紋：

右邊那幅圖就是所謂的摩爾紋，它是由左邊這幅圖，將奇數行與奇數列全部去掉的結果，因此它是一張變小的圖，你可以很清楚的看到襯衫上的紋理被扭曲了，領帶的格子變成了一條一條的條紋。這個在日常生活中也可以看到，例如你拿手機去拍螢幕，你也可以在照片中看到一系列扭曲的條紋

這邊上課還多給了一個影片(連結)，你可以看到影片中有些條紋像是在逆時針旋轉，但有些又像是在順時針旋轉：

這是因為人眼在時間中的取樣率不足，跟看高速行駛中的汽車輪子會像是在倒轉是一樣的道理，人眼在時間上的取樣跟不上運動的速度

至此為止我們給了三種取樣率不足的例子：

鋸齒：對空間進行取樣
摩爾紋：對圖像進行欠取樣(Undersampling)
車輪的效應：對時間進行取樣

他們的本質都一樣，函數(訊號) 的變化速度太快了，因此取樣的速度跟不上它，在這種情況下取樣會產生混疊，接下來我們就來簡單介紹一下頻率分析，稍微試著解釋一下原理

在這邊我們先給大家看一下結論，要怎麼做抗鋸齒，或說抗混疊。答案是先做一次模糊，或者你稱其為濾波(filtering) 也可以，看個例子：

之前的問題在於畫出來的點要麼是紅的要麼是白的，先做一次模糊，再去取樣這個模糊的三角形，就會出現這種有些點是粉紅色的情況，而離中心近一點的點就一樣是紅的

再看個例子，原先的效果：

先模糊再取樣：

要注意是先做模糊再做取樣，再看個例子：

左圖是原圖，可以看見鋸齒現象很嚴重，而右邊是先模糊再取樣的效果

如果改成先取樣再模糊，則會變成下圖左邊的樣子：

這是個對比圖，可以看見右邊的效果遠比左邊好。左邊這種先取樣再模糊的效果有另一個名字，叫做 blurred aliasing，你可以看到它其實還是有鋸齒，只是被模糊掉了

頻域

接下來就開始來分析它的原理，首先先來解釋什麼是頻域，先從最簡單的東西開始看 ── 正弦波與余弦波：

這兩個函數的唯一區別是他們兩個之間相位有一點不一樣，左右平移了一些，那用這兩個波有什麼好處呢?

如果你把正弦和余弦的係數，例如 $c o s (x)$ 的 $x$ 考慮進去，你就會發現通過調整 $x$ 前面的係數，我們可以得到不同週期的波：

(係數分別為 $2 π x$ 和 $4 π x$ 的結果)

從這裡我們可以再定義一個事情， $c o s 2 π$ 前面再乘以 $k$ 再乘以 $x$ ，或者說 $2 π f$ 後面再乘以 $x$ ，這個 $f$ 等於多少，我們就說他的頻率是多少，因此對於 $c o s (2 π x)$ 來說 $f$ 等於 $1$ ，因此其為一個頻率為 $1$ 的余弦波， $c o s (4 π x)$ 同理頻率就為 $2$

通過頻率我們可以分辨出余弦波的變化有多快，例如上圖中很明顯的可以發現頻率為 $2$ 的就比 $1$ 的還快。再來利用頻率，我們也可以將週期定義為頻率分之一，物理上的意義是每隔多少區間函數會重複自己一次，其為頻率的倒數

那為什麼要提到正弦波和余弦波呢? 這邊要回想一下大一微積分裡面提的概念，當中有提到函數的展開，課程裡面會提到各種不同的展開，像是泰勒展開，還有一些其他的展開，但有一個我們會用到的是傅立葉級數展開

傅立葉級數展開說的是任何一個週期性的函數，都可以被寫成一系列正弦和余弦函數的線性組合加上一個常數項：

上圖中有一個週期性的方波，可以看見其能被描述為一系列的正弦和余弦函數，當用了更多的項去近似時，其結果也會更接近原先的函數

其中的 $\frac{A}{2}$ ， $A$ 是方波的高度， $\frac{A}{2}$ 相當於把整個函數的中心往上提

傅立葉級數展開與另一個概念 ── 傅立葉變換的關係是緊密相關的，它在講的是給定任何一個函數，都可以讓它經過一個相當複雜的操作，從而轉變成另一個函數：

這個複雜的操作我們先不去看它，先注意左邊的 $f (x)$ 和右邊的 $F (x)$ ，可以看見它們能互相轉換，且是有逆變換存在的，這就是傅立葉變換

回到正弦波與余弦波，我們剛剛已經知道了他們會有不同的頻率，而傅立葉變換在做的事其實就是把函數，在不同頻率的段落上的值給顯示出來：

上圖中有五個不同的函數，頻率從低到高為 $f_{1}$ ~ $f_{5}$ ，然後假設我們使用完全相同的取樣方法，每隔一個相同的段落進行一次取樣，會發現對於頻率較低的 $f_{1}$ ，把取樣的點連起來時，其恢復出來的函數與原先大致相同， $f_{2}$ 也是，但到 $f_{3}$ 時就開始不太對了， $f_{4}$ 就更明顯了，其結果與原先的函數相差許多

我們可以發現對於一個函數來說，取樣的頻率能通過上圖的段落間隔反映出來，如果間隔很小，就是取樣的頻率很高，那如果原函數的頻率較高，像是 $f_{5}$ 變化的速度很快，如果我們取樣的頻率太低，那就會跟不上它的變化，沒有辦法把原先的訊號給恢復出來

接著我們再想另一個問題，假設如下圖我們有一個藍色的函數與一個黑色的函數：

這個黑色的函數不是我們恢復出來的函數，單純只是另一個函數。此時我們以相同的間隔對兩個函數進行取樣，你會發現雖然原函數的頻率截然不同，但我們恢復出來的函數是完全相同的。以上圖來當例子，無論對藍色函數，還是黑色函數，取樣的結果都是白色空心點

這就是混疊的定義，同一個取樣方法，對兩個不同頻率的函數得到了相同結果，進而導致我們無法區分它們，這就叫混疊

Filtering (濾波/模糊)

那我們現在就來真正分析一些函數，看他們到底擁有什麼樣的頻率，這邊就順便帶一下濾波的概念

從頻率的角度上說，濾波就是把某個特定的頻率給消除掉，前面提的傅立葉變換可以幫助我們理解這個事情，因為傅立葉變換可以將函數從時域變到頻域

直接看例子比較好理解，看下面這張圖：

左邊這幅圖是一個人，不管是什麼樣的圖像，我們都可以利用傅立葉變換將其把圖像從時域轉到頻域，雖然圖像本身不代表任何時間的信息，但我們認為空間上的不同位置也算是時域，這只是它的一個名字。總之，我們可以把圖像的空間轉換成頻域的空間，也就是右圖

對於右圖，我們把其中心定義為最低頻的區域，周圍則是高頻的區域，也就是說從中心到周圍，頻率會越來越高。我們使用亮度來表示有多少信息分布在不同頻域的位置上，例如看右圖的頻率，你會發現大部分的信息都是集中在低頻的訊號，因為中間比較亮，對於高頻訊號，不是沒有，但比低頻訊號少太多了，事實上對於自然的圖片來說分布基本上都是長這樣的，這種頻域的圖我們將其稱為頻譜

你可能會發現有兩條水平和豎直的線特別明顯，這是因為在分析一個訊號的時候，我們會將其當作一個周期性重複的訊號，換句話說就是把這張相片無限複製貼上延伸，到了右邊界之後又開始重複左邊的內容，然後繼續往右走，像是這張圖片在水平方向重複了無限次，豎直方向同理

而在正常情況下，很少會有圖像的左邊界和右邊界是完全一致的，因此在圖像的交界處就會產生劇烈的訊號變化，也就是一個極為高頻的訊號，這就是為什麼會有這兩條線

剛才提到濾波可以去掉一些頻率的內容，現在我們可以試著做一下濾波，再將其變換回時域 (照片) 看一下差別，首先是「高通」濾波，把「低」頻的訊號(靠中心) 刪除掉：

我們把低頻訊號都刪掉了，只留下了高頻訊號，此時透過左圖，我們能發現高頻訊號在圖像上代表了輪廓，或說更精確地說法是邊界。邊界的意義在於其左邊與右邊，或者上面與下面發生了一個突變，差的很多，這時候我們就會認為這是一個邊界，像是圖中的衣服輪廓，或是人物與背景的分界，都發生了劇烈的變化

「高」頻能「通」過 ⇒ 低頻被刪除，因此稱為高通濾波

接下來換實驗低通濾波：

此時你會發現我們得到了一張模糊的圖，基本還能看出這是什麼，但大部分的細節，像是衣服上的皺褶之類的，我們就看不見了。從另一個角度來說，高頻代表邊界，因此我們將高頻訊號去掉後邊界自然就變得很模糊了

如果我們同時去掉低頻訊號與高頻訊號，留下了中間某一段頻率的訊號，那就會得到一些不是那麼明顯的邊界特徵：

如果再把這個甜甜圈往外推一點，那就會發現其結果更接近邊界：

至此，我們就把不同的頻率與訊號的變化聯結在一起了

對於濾波的介紹先到這裡，如果想要學更多可以去修一下數學影像處理，那門課會教不同的濾波方法會產生出怎樣的效果。另外，現在的影像操作更多是利用機器學習來進行的，頻率方面的操作已經比較少做了，但不管怎麼樣，這個分析的效果還是在的

Convolution (卷積)

介紹完了濾波，也知道了傅立葉變換能給我們怎麼樣的幫助，接下來我們再來細看濾波的過程。我們剛剛是說綠波可以去掉一段頻率，但還可以從另一個角度上來分析，濾波約等於平均約等於卷積，例如低通濾波器會讓圖片模糊，但模糊本身就是一種平均操作

而卷積在圖學中我們簡化了很多定義，直接用例子來看，比如我們有一個一維的訊號，也就是一個一維陣列，而濾波器(Filter) 就像是一個窗口，可以左右滑動，見下圖：

這個窗口的大小有三格，分別有三個數，而卷積操作就是把窗口的三個數，與陣列中對應的三個數做內積，並將結果寫回對應在窗口中心位置的陣列處：

之後移動這個窗口，繼續做一次一樣的運算：

如此重複下去，說白了就是在做加權平均，當然這個定義是圖學中簡化過的定義，而不是數學的嚴謹定義，但這對我們來說就夠用了

而卷積有一個很好用的定理，它的證明比較難，所以這邊只簡單講一下結論 ── 時域上如果我想對兩個訊號進行卷積，那麼它其實對應到兩個訊號在頻域中的乘積

另外，反之亦然，時域上的乘積也可以反過來用頻域上的卷積來操作

因此卷積和乘積這兩個操作其實是挺接近的，通過這個定理，當我們拿到一張圖時，可以直接用某個濾波器去做卷積操作，或是可以把這張圖先傅立葉變換到頻域上，再把濾波器變換到頻域上，然後兩者相乘，最後把結果逆變換回時域上，結果是一樣的：

上圖中我們利用一個 $3 \times 3$ 的窗口，對圖片中的每個像素，取其周圍 $3 \times 3$ 的格子，也就是 9 個數來做平均，然後再把它寫回像素本身，這樣就會得到一張模糊處理後的圖像了

而我們也可以先將圖片傅立葉變換到頻域，再將卷積也變換到頻域，接著把兩個訊號乘起來，此時你會發現大部分的地方都變成黑的了，只有中間這塊留下了一些白的部分，將其轉換回時域後就回得到一張模糊過的圖了

從這裡你會發現卷積定理之所以有道理是因為當你把頻率上的兩個訊號乘起來，其效果就相當於在做濾波，以上突來說就是一個低通濾波，因此圖像自然會變模糊了

上例中除了 $3 \times 3$ 的窗口，我們還乘了一個 $\frac{1}{9}$ ，這是為了讓圖像整體的顏色值不會發生變化，不然你每一個像素都取它周圍 9 個像素之和，它會越來越亮

這個 $3 \times 3$ 的窗口有個名字叫 Box Filter，它的效果是低通濾波，當你窗口的大小變大，例如變為 $5 \times 5$ 時，其會加劇模糊的效果，因此在轉換到頻域時白色的部分就會變少 (保留的低頻訊號更少)

Antialiasing (抗混疊/抗鋸齒)

Principle of sampling (取樣的原理)

接下來我們再重新從頻域的角度來看一下什麼是取樣，取樣其實就是在重複頻域上的內容，以下圖為例：

(img src : link)

左上角的是一個連續函數，假設他在頻域上長右上角那樣 (傅立葉變換的結果)，而因為取樣就是要把這些函數變成一系列離散的點，因此我們就留下這個函數在某一些位置上的值就可以了

這就好像我們將兩個函數相乘，以上圖為例，我們拿 (c) 函數與 (a) 函數相乘，得到的就是 (a) 函數上一些離散的點，也就是 (e) 的結果，和我們前面講頻域時那一系列的白色空心點是一樣的道理

(c) 這一個一個的箭頭是有名字的，叫做脈衝函數 (Impulse response)，可以簡單定義為只在這個位置上有值，其他位置上都沒有值
脈衝函數在經過傅立葉變換後會變成另一個脈衝函數，不過間隔會不一樣，間隔的長度為頻率的大小，因此頻率越高，間隔越大

圖中的左邊是在時域上，而前面有提到時域上的乘積可以用頻域上的卷積來操作，也就是說我們要把 (b) 和 (d) 做卷積，其結果為 (f)，相當於把原始的函數複製貼上了很多遍

因此，所謂的取樣，就是在重複原始信號的頻譜

Principle of Aliasing (混疊/鋸齒的原理)

到這邊，我們就可以明白為什麼會產生混疊現象了，這是因為取樣的間隔會使目標頻譜以不同間隔來進行複製，那如果我們的取樣率不足，換句話說我們的取樣頻率不夠高，那就會造成傅立葉轉換後其間隔過短，進而導致訊號重疊：

從上圖可以看見訊號產生了重疊，因此造成了訊號混疊，也就是所謂的鋸齒

回到我們最一開始的三角形中，假設三角形下覆蓋的像素較為密集，換句話說單個像素的面積較小，就相當於取樣的頻率較高，因此鋸齒的現象就會少很多，如果每個像素較為稀疏，換句話說單個像素的面積較大，則取樣的頻率較低，像素與像素中心的距離較遠，因此鋸齒的現象就很嚴重

現在我們知道鋸齒是如何產生的了，因此接下來我們要來想如何做抗鋸齒，這可以有很多很多的做法，首先當然是提高取樣率，這是終極解法，假設你的螢幕解析度是 640x480 的，那它單個像素自然就很大一顆，此時鋸齒自然就很嚴重，如果用了一個超猛的 8K，~~像是姫宮華恋~~，那代表在複製頻譜的時候自然就不容易產生混疊的現象。但這並不是抗鋸齒要做的事情，因為在同一塊螢幕上，解析度的上限就擺在那，受限於物理限制，自然沒辦法這麼做

回到最一開始，我們有先講過結論 ── 先做模糊，再做取樣

通過我們前面這麼長的鋪墊，我們可以知道這是有意義的，所謂的模糊就是低通濾波，也就是把高頻訊號先拿掉，這樣容易產生重疊的區域就被刪去了。此時再進行取樣，也就是複製貼上，就可以達到在頻域中消去重疊的效果了：

至於模糊要怎麼做，其實利用一個一定大小的低通濾波器，對它進行卷積就可以了。回到三角形的例子，對於每個像素，其都可能被三角形完全覆蓋，或者完全不覆蓋，又或者部分覆蓋。我們針對覆蓋的面積進行卷積，就可以把像素的值進行加權平均了：

但這件事情說起來容易，真得下去做你卻會發現有點難做，因為我們需要把某一個像素內三角形覆蓋區域的面積算出來，這不容易，而且計算量很大

Multisample anti-aliasing (MSAA)

為了達到計算覆蓋面積的目的，人們研究出來了一種「近似方法」，叫做 Multisample anti-aliasing，簡稱 MSAA，但它僅是一種近似，不能嚴格意義上解決反鋸齒的問題

它的原理是對於每一個像素，我們都在當中新增更多的取樣點，相當於將一個像素再劃分為更多的小像素，這又被稱為超取樣 (Supersampling)

下圖中我們把像素多切了 16 個取樣點出來：

切好取樣點後，我們再接著判斷這些點是不是在三角形內，最後將這個判斷的結果平均起來，作為單個像素的結果，這樣就可以達到對單個像素覆蓋區域的近似效果

我們來實際看個例子，假設我們想對底下這個三角形做抗鋸齒：

我們可以將其切為 2x2 個區域，也就是 4 個取樣點：

接著逐個判斷取樣點是否有被三角形覆蓋，如果都沒被覆蓋就是 0，一個點被覆蓋則為 0.25，依此類推：

得到所有的近似結果後，再根據其覆蓋比例去調整顏色的強度，例如覆蓋率為 25% 的話就用 25% 的紅色：

這相當於是我們用一系列的 box 去模糊了這個三角形，做完後要取樣就很簡單了，因為每個格子都是同一個顏色，因此得出來的結果與 MSAA 做完的結果基本一樣，因此取樣的操作相當於是隱含在 MSAA 的過程內了

這邊要提一點是 MSAA 解決的是計算像素內三角形的覆蓋率，也就是解決信號模糊的計算，而不是透過提高解析度來解決鋸齒問題

再來看一下實際的效果

原圖：

MSAA 的結果：

可以看見上圖效果還不錯，但為了引入 MSAA，計算量會成倍數成長，假設使用 4x4 的 Supersampling，則單個像素的計算量就會變 16 倍，因此在工業界的應用上人們通常並不是將單個像素規則的劃分成像 4x4 這樣的區域，而是會用更加有效的一些分布來布置這些取樣點，另外，有一些取樣點還會被鄰近的不同像素所使用

這也是為什麼當大家在打遊戲時，如果開啟了 MSAA，假設用個 2x2 倍，幀率並不會真的變成原來的四分之一

牽扯到「猜」，那肯定就會利用到深度學習了

Rasterization (光柵化)

Rasterization (光柵化)

CRT 螢幕

三角形

Sampling introduction (取樣/採樣)

如何判斷在三角形內?

Aliasing (混疊/走樣)

Speed up

Antialiasing (抗鋸齒)

頻域

Filtering (濾波/模糊)

Convolution (卷積)

Antialiasing (抗混疊/抗鋸齒)

Principle of sampling (取樣的原理)

Principle of Aliasing (混疊/鋸齒的原理)

Antialiasing (抗混疊/抗鋸齒)

Multisample anti-aliasing (MSAA)

其他相關

FXAA

TAA

Super resolution