这是本系列的第四篇笔记。由于第五课内容较少（课程视频、课件），因此我将第六课（课程视频、课件）也整合到了一起。

这两课的内容主要涉及光栅化、反走样。至于深度测试，实际上在第七课才完成讲解，我也整合到了本篇笔记当中。

采样 Sampling

最简单的采样方案

• 判断像素中心点是否落在三角形之内
• \(\textit{inside}(t, x, y) = \begin{cases}1, &\textit{Point(x, y) in Triangle(t)}\\0, &\textit{otherwise}\end{cases}\)
  • 如何判断落在三角形内？用第二课讲过的叉乘
  • 边界条件怎么处理？自行设定规则并从一而终
• 几个优化方法：
  • 轴对齐包围盒 Axis Aligned Bounding Box (AABB) 可以大幅度减少计算量
  • （增量三角形遍历？）Incremental Triangle Traversal

反走样 Antialiasing

• 采样理论
  •  走样的典型表现
    • 锯齿
    • 摩尔纹
    • Wagon Wheel Illusion （风扇反转等「假运动」）
  • 为什么会产生走样？信号变化过快，采样速率过慢
    • 怎么解决？
      • 提高采样率（增加屏幕分辨率）——不现实
      • 反走样
• 反走样方案：采样前进行滤波（模糊化）
  • 理论基础：信号与系统
    • 模糊操作相当于用低通滤波将高频信息过滤掉
    • 如何理解图像的频域图
    • （大学期间没学过信号与系统，这部分就不继续整理了，不影响接下去的学习）
  • 实践中采用的方案：
    • 先应用一像素宽的滤波器进行卷积（算平均），然后再采样
      • 三角形的光栅化过程中，模糊的过程可以用覆盖面积来表示
        • 一种近似方案：超采样 (MSAA)
          • 对单个像素再进行划分，并用在三角形内的点数占比作为近似值
  • 其他反走样方案
    • FXAA (Fast Approximate Anti-Antialiasing)
    • TAA (Temporal Anti-Antialiasing)
    • DLSS (Deep Learning Super Sampling)
      • 似乎不属于反走样方案，先继续完成学习，后续再进行勘误
      • NVIDIA 的一项技术，用深度学习来做超采样
        • 相比于未开启 DLSS 可以提升约 85% 的帧率（数据来源：下文链接）
        • 简单了解之后，我觉得性能提升是因为有专门的 Tensor Core 去做硬件支持吧？
      • 官方介绍页（英文）
      • 刚推出了 DLSS 2.0

深度测试

• 画家算法：先画远的，近的再覆盖掉远的
  • 需要对物体的深度进行排序 \(O(n\log n)\)
  • 存在无法处理的深度顺序问题
• Z-Buffer
  • 思路：对每个像素，存储当前最近的 Z 值 \(O(n)\)
  • 与绘制顺序无关