接着上节课课末的锯齿问题
抗锯齿或者反走样
锯齿的学名就叫Aliasing
采样理论
照片 视频或者说动画 都发生了采样
采样是广泛存在的 所以采样的问题同样广泛存在
Artifacts就是形容图形学中像这样的这些问题
摩尔纹：
拿手机拍一个显示器的屏幕也会产生
同样是采样带来的问题
车轮错觉效应：时间上采样带来的问题
在这些现象背后的原因：信号变化的速度太快了 采样跟不上它
先给结果，再讨论为什么
结果：在采样之前 先对信号做一个模糊
问：为什么不反过来 采样完对采样做模糊呢？
频率 频域
周期是频率的倒数
傅里叶级数展开：可以把一个函数描述成不同正弦余弦项的和
傅里叶变换：给定任何一个函数 都可以经过一个复杂的操作变成另一个
还可以逆变换回来 也就是逆傅里叶变换
通过频率的分析 我们可以体会到采样应该也要有对应的频率
同样的采样方法采样两个不同的函数得出来的结果有可能相同
无法区分的情况就叫做走样
滤波是什么？
去掉一系列的频率
傅里叶变换就能把图像转化为频率信息
低频信息集中在中间 高频集中在外部
右边就是频域图 十字可以忽略
高通滤波：去掉低频
低通滤波：去掉高频
去除不同程度的高频和低频
滤波 = 卷积（图形学上简化了 实际上应该是约等关系）
时域的乘积是频域的卷积
卷积核/滤波器
为什么时域内图像变大了 频域却变小了
越大的卷积核结果越模糊 也就是越小
什么是采样呢：重复频率或者频域上的内容
走样
怎样减少走样的发生？
- 增加采样率
- 反走样
砍掉高频 让低采样率发生的重叠不再重叠
对函数做卷积操作
对于每个像素 把三角形求个平均值 再做采样
实际上应该的操作：MSAA
用更多的采样点来进行反走样
把一个像素划分成很多小的像素
多加一些采样点
平均一下
不是提高了采样率完成的 只是为了得到一个近似的三角形的覆盖而已
我们到底牺牲了什么呢？
MSAA需要消耗更多的性能
但样本的复用又会减少消耗
FXAA：快速近似抗锯齿，把锯齿的边界换成没有锯齿的边界
和采样并没有关系，是在图像层面上的操作
TAA ：时间相关，找上一帧的信息，在这一帧继续发挥作用
相当于是把MSAA的样本按时间来分布
超分辨率：把小图拉大 但又不想要锯齿
和抗锯齿有异曲同工之妙
DLSS:通过深度学习来实现超分辨率
