레이트 레이싱에서 앤티 앨리어싱은 어떻게 구현됩니까?

온라인으로 몇 가지 기사를 읽은 후 Ray Tracing을 사용할 때 앤티 앨리어싱이 어떻게 작동하는지 에 대한 단서가 없다고 확신 할 수 있습니다 .

내가 이해하는 것은 단일 픽셀 / 광선이 1이 아닌 4 개의 하위 픽셀과 4 개의 광선으로 나뉘어져 있다는 것 입니다.

누군가 이것이 어떻게 수행되는지 설명해 줄 수 있습니까 (바람직하게는 코드로)?

레이트 레이싱에서 AA를 수행하는 두 가지 방법이 있다고 말하는 것이 안전하다고 생각합니다.

1 : 최종 이미지와 깊이 이미지가있는 경우 게임에 사용되는 거의 모든 기존 기술 (FXAA 등)을 적용 할 수 있습니다. 최종 이미지에서 직접 작동하며 레이트 레이싱과 관련이 없습니다.

2 : 두 번째 방법은 각 픽셀에 대해 여러 개의 광선을 고려한 다음 결과를 평균화하는 것입니다. 매우 간단한 버전의 경우 다음과 같이 생각하십시오.

• 먼저 1024x1024 크기의 이미지, 각 픽셀 당 한 개의 광선을 렌더링합니다 (예 :)
• 렌더링 후에는 이미지를 512x512 (각각 4 픽셀이 평균화 됨)로 조정되며 가장자리가 더 매끄럽다는 것을 알 수 있습니다. 이 방법으로 512x512 크기의 최종 이미지에서 각 픽셀에 대해 4 개의 광선을 효과적으로 사용했습니다.

이 방법에는 다른 변형이 있습니다. 예를 들어, 지오메트리의 가장자리에있는 픽셀의 샘플 수를 조정할 수 있습니다. 즉, 일부 픽셀에는 4 개의 샘플 만 있고 다른 샘플에는 16이 있습니다.

위의 의견에서 링크를 확인하십시오.

Raxvan은 "전통적인"앤티 앨리어싱 기술이 앤티 앨리어싱을위한 심도 등의 정보를 사용하는 기술을 포함하여 레이트 레이싱에서 작동 할 것을 전적으로 맞습니다. 예를 들어 광선 추적에서 일시적인 안티 앨리어싱을 수행 할 수도 있습니다.

Julien은 수퍼 샘플링에 대한 설명 인 Raxvan의 두 번째 항목을 확장했으며 실제로 어떻게 수행했는지 보여주었습니다. 또한 픽셀 내에서 샘플의 위치를 ​​무작위로 지정할 수는 있지만 신호 처리 국가에 많이 들어갑니다. 더 깊은, 그리고 그것은 확실히이다!

$N$$N$

그렇게해도 여전히 앨리어싱을 얻을 수 있습니다. 샘플링 속도를 높이기 때문에 그렇지 않은 것보다 낫습니다. 따라서 더 높은 주파수 데이터 (더 작은 세부 사항)를 처리 할 수 ​​있지만 여전히 앨리어싱이 발생할 수 있습니다.

$N$

rand () 또는 std :: uniform_int_distribution에서 얻을 수있는 것처럼 "정규"난수 만 사용하는 경우 백색광이 다른 모든 색상 (주파수)으로 구성되는 방식과 같이 모든 주파수를 포함하므로 "백색 잡음"이라고합니다. ) 빛의.

화이트 노이즈를 사용하여 픽셀 내에서 샘플을 무작위로 추출하면 때때로 샘플이 서로 뭉치 게됩니다. 예를 들어 한 픽셀에서 평균 100 개의 샘플을 얻었지만 모두 픽셀의 왼쪽 상단에 있으면 픽셀의 다른 부분에 대한 정보를 얻지 못하므로 최종 결과 픽셀 색상 색상에 대한 정보가 누락됩니다.

더 나은 방법은 고주파 성분 만 포함하는 청색 노이즈라는 것을 사용하는 것입니다 (예 : 청색광이 고주파 광인 방법).

블루 노이즈의 이점은 균일 한 샘플링 그리드를 사용하는 것처럼 픽셀을 커버 할 수 있다는 점입니다. 그러나 여전히 임의성을 가지므로 앨리어싱을 노이즈로 바꾸고 더 나은 이미지를 얻을 수 있습니다.

불행히도, 블루 노이즈는 계산하는 데 비용이 많이들 수 있으며 최상의 방법은 모두 특허 된 것 같습니다 (무엇입니까?!).하지만 픽사에 의해 발명 된 한 가지 방법 (특허가 너무 많지만 100 % 확실하지는 않습니다) 샘플 포인트의 균일 한 그리드를 만든 다음 샘플링 그리드의 너비와 높이의 플러스 또는 마이너스 절반 사이의 임의의 양과 같이 각 샘플 포인트를 소량 씩 임의로 오프셋합니다. 이런 식으로 당신은 꽤 저렴한 블루 노이즈 샘플링을 얻을 수 있습니다.

이것은 계층화 된 샘플링의 한 형태이며, 포아송 디스크 샘플링 역시 그와 같은 형태이며 블루 노이즈를 발생시키는 방법이기도합니다. https://www.jasondavies.com/poisson-disc/

더 깊이 들어가고 싶다면이 질문과 답변을 확인하십시오!

픽셀 내에서 여러 개의 랜덤 샘플을 사용하는 앤티 앨리어싱에 대한 근본적인 이유는 무엇입니까?

마지막으로,이 재료는 사실적인 레이트 레이싱을 수행하는 일반적인 방법 인 몬테 카를로 경로 추적 영역으로 빠져 나가기 시작했습니다. 그것에 대해 더 배우고 싶다면 이것에 대해 읽어보십시오!

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

상당히 전형적인 레이트 레이싱 메인 루프를 가정 해 봅시다 :

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);
    }
}

4 개의 샘플 MSAA를 수행하기위한 그것의 가능한 수정은 다음과 같습니다 :

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;
    }
}

다른 가능성은 (위의 매트릭스 기반의 매트릭스 대신) 임의의 지터를 수행하는 것이지만 곧 신호 처리 영역으로 들어가면 좋은 노이즈 기능을 선택하는 방법을 알기 위해 많은 독서가 필요합니다.

아이디어는 동일하게 유지됩니다. 픽셀을 작은 정사각형 영역을 나타내는 것으로 간주하고 픽셀 중심을 통과하는 하나의 광선 만 촬영하는 대신 전체 픽셀 영역을 덮는 많은 광선을 촬영하십시오. 광선 분포가 밀도가 높을수록 더 나은 신호를 얻을 수 있습니다.

추신 : 나는 위의 코드를 즉석에서 작성 했으므로 약간의 오류가 예상됩니다. 기본 아이디어 만 보여주기위한 것입니다.

위의 답변에 추가하십시오.

분산 레이 트레이싱 (쿡, 포터 및 카펜터). 공간 AA, 시간 AA (예 : 모션 블러) 및 초점 / 피사계 심도를 동시에 수행 할 수 있습니다. 논문을 읽는 것이 가장 좋지만, 기본적으로 픽셀 당 발사하는 N- 레이는 의사 난수 시간 (모션 블러의 경우)과 렌즈의 위치 (포커스 효과를 얻기 위해)를 지정할 수 있습니다.

적응 형 수퍼 샘플링 : 처음에는 픽셀 당 특정 수의 광선을 발생시킵니다. 그러나 로컬 이웃의 광선이 크게 다른 결과를 반환 하면 샘플링 속도 (예 : 2 배)를 로컬로 증가시켜 결과를 개선 할 수 있습니다. 프로세스를 반복하도록 선택할 수 있습니다. 객체가 여전히 '샘플 사이에 떨어질'수 있기 때문에 완벽하지는 않지만 더 높은 속도로 균일하게 샘플링하는 것보다 저렴할 수 있습니다.

원뿔을 이용한 광선 추적 (Amanatides) : 무한한 얇은 광선을 사용하는 대신, 각 광선은 원뿔에 의해 근사됩니다 (예 : 모든 픽셀 (및 이웃)을 덮는 직경으로 부분 적용 범위를 평가할 수 있음) . 또한 텍스처 샘플링 / 앤티 앨리어싱, 부드러운 그림자 및 잠재적 인 LOD 모델에도 이점이 있습니다. 몇 년 전에 구현을 했으므로 확실히하기가 어렵지만 많은 추가 광선을 피하십시오. IIRC는 또한 연필 추적이라는 계획이 있었지만 (초기 검색에서 논문에 대한 링크를 찾지 못했습니다)