（1）采样与走样
采样不只是发生在不同的位置，也可以是不同的时间，比如视频、动画，把一系列的图按一定的时间放映出来，动画实际上就是在时间中进行的采样，因为本质上说，我们没有连续意义上的动画。
采样是广泛存在的，同样，采样造成的问题也是广泛存在的，叫做 Artifacts（图形学中的黑话，不希望看到的东西，可以理解为失真或瑕疵）。
上图是采样所产生的另外一个 artifacts，叫摩尔纹。将左边这幅图的奇数行和奇数列都去掉，然后得到的一个小的图，显示还是一样大，就是右边图片的效果。日常生活中也能见到，比如拿手机拍显示器的屏幕。
有时看高速行驶的汽车的轮子，感觉是在倒转，这也是采样造成的现象，人眼在时间中的采样跟不上运动的速度。
可以看到，采样造成的 artifacts 本质都是信号变化太快了以至于采样跟不上它。
（2）反走样的初步思路
反走样的思路：在采样之前先做一个模糊处理。
实际中的效果也是不错的：
普通采样 VS 反走样：
那么我反过来，先做采样再做模糊呢？
效果不行。先做一次采样本身丢失大量信息，之后又被模糊了。
（3）频域角度解释走样
从频域的角度思考：
上面两个函数不同是因为它们的频率不同，下面那个频率大的明显变化要快。
傅里叶级数展开（上图）与傅里叶变换（下图）的概念是不一样的。
傅里叶变换将函数变换成不同频率的段
我们可以每间隔一段对这些函数进行一次采样。采样第一个函数，基本上我们能发现函数大概长什么样；但是到最后就完全不行了，和实际的 f5(x) 完全不一样了。
从这里看，函数有一定的什么样的频率，我们采样也应该有一定的什么样的频率。而如果函数的频率很高，而采样的频率很低，我就跟不上函数的变化，没办法把原始的信号恢复出来。
那么现在假如说我有一段蓝色的函数，一段黑色的函数，如果我用上面这样采样的方法，得到的结果是，我用同样的采样方法，采样两种频率截然不同的信号，但是我采样的结果是完全相同的。像这样一种现象，就是走样的正规的定义。
（4）频域上的滤波
滤波（Filtering）从频域的角度上说，就是把某个特定的频段给去除掉。
傅里叶变换能将图像从时域变换到频域。虽然图像不带任何时间的信息，但在空间上的位置也算作时域，这只是一个名字。
中心定义为低频的区域，周围定义为高频的区域。中心到周围，它的频率会越来越高。到底有多少信息在不同频率的位置上，我们用亮度来表示。
可以看到，图像的大多数信息都集中在低频上的，对于自然的图片来说基本都是这样的。
为什么会有水平的和垂直的两条线？我们在分析一个信号的时候，我们会认为它是一个周期性重复的信号，那么对于不周期性重复的信息，比如这张照片，我们会认为，到了右边界它又会重复它左边的内容，就好像这张图它在水平方向上叠了无限多个，竖直方向上也叠了无限多个。很少有图像左边界和右边界完全一致的，那么在边界上会发生剧烈的信号变化，也就会产生一个极其高的高频。
高通滤波，将低频的信号完全抹掉了，显示出来的就是图像的轮廓细节信息。信号变化特别大，那就是高频信息。
低通滤波，得到了一张相对模糊的图，绝大部分细节信息都看不见了。
带通滤波，不是那么明显的边界特征。
将边扩大，就更像是高频的信息了。
（5）卷积操作
卷积操作（是图形学上简化了的定义，不是数学上的定义）。
卷积定理说明，时域上如果我想对两个信号进行卷积，那么其实对应到两个信号各自的频域上，是两个信号频域的乘积。相反同理，时域上的乘积就是频域上的卷积。
那么通过卷积定理我们知道可以通过两种办法做一个卷积，拿到一幅图，我可以直接拿一个滤波器做一个卷积操作，也可以将这幅图先傅里叶变换到频域上，把卷积的滤波器也变换到频域上，把两者相乘，然后再通过逆傅里叶变换到时域上，也完成了一个卷积操作。图示如下：
实际上就好像对左边的频域图做了一个低通滤波，最后留下的低频内容，就得到了一个相对模糊的图。
下面四张图该怎么解释呢？
我用更大的滤波器去做卷积操作，得到的图像肯定越来越模糊，在频域上也表现为越来越倾向低频。
（6）频谱角度解释走样
在频谱的角度上怎么理解采样？
采样就是在重复频谱上的内容。
图 (a) 是待采样的函数，那么我想对其进行采样，就乘以另外一个函数 (c)，只在一些固定位置上有值，而其他位置上结果为 0。那么得到的就是函数 (a) 上面离散的点。这里的函数 (c) 叫做冲激函数。而时域上的乘积对应到频域上就是卷积，对应的右边三幅图。
那么有一个函数，我把它采样后变成了一系列离散的点，其实我在频域上做的操作就是把原始的函数，它的频谱给复制粘贴了很多份。
采样就是在重复原始信号的频谱。
那么这就能解释为什么会产生走样现象。
假设我原始信号是一个如上图梯形的形状，如果我按照良好的步长进行复制粘贴，就会得到第一幅图那样；而如果我采样率不足，或者说我采样得不够快，那么我复制粘贴的间隔就会非常小，现在我原始的信号和我复制粘贴的信号混在一块了，在这种情况下，就发生了走样。
（7）反走样
如何减少走样现象呢？有两种思路：
1）增加采样率
比如原先我显示器分辨率很差，一个像素非常大，很明显可以看出来，那我用它去光栅化一个三角形，当然看起来锯齿很严重；而如果我用现在的高分辨率显示器，像素小一些，意味着像素跟像素之间间隔小，意味着采样频率高，在频谱上的搬移间隔大，就不容易出现频谱的混叠。
这个当然是一个解决办法，但这个并不是反走样要做的事情，因为我要在同一块屏幕上进行操作，不可能说我开启某个反走样的选项，我分辨率就能增加很多。受制于物理限制。
2）反走样
通过前面的频率分析，我们就能知道最开始我们先做模糊再做采样是有意义的。
我们首先做一个模糊，将它的高频信号砍掉，那么剩下的信号就是第二幅图的形状，然后我再以一个稀疏的采样率来进行采样，现在就能发现对应的信号在原先的位置不再发生混叠了。
那么这个就是我们的解决方法，叫做反走样。
那么接下来的问题就是我怎么做这一步滤波操作，把三角形变成模糊三角形。
就用一定大小的低通滤波器，对它进行卷积，就可以了。
对每一个像素点用这个滤波器进行一个取平均操作。
三角形覆盖面，对其求一个平均，比如第一副图，三角形覆盖了 1 / 8，那我就赋予一个 7 / 8 的亮度。
要将每一个像素，三角形在里面覆盖的面积算出来，这件事说着容易做着难，那么在实际中如何操作？
（8）MSAA（Multi-Sample Anti-Aliasing）
它是一个对反走样的近似，它并不能严格意义上解决反走样问题。
原本我们只看一个像素点，那么我们将这一个像素划分成 4 * 4 的一个个小的像素，每一个小的像素有一个中心，我可以判断这些点是不是在三角形内，然后我们再把这些判断的结果平均起来，就可以看作三角形对这个大的像素区域的一个近似。
比如我们先划分成 2 * 2 的子采样点，然后每个点都能判断是否在三角形内。
对每一个像素内的子采样点求平均，设定像素的亮度
模糊做完了，那采样将变得无比简单，格子是什么样采样就什么样了。（强调一下，MSAA 是做模糊的操作，MSAA 也绝不是靠提高分辨率直接解决的走样问题，只是为了得到近似的三角形的覆盖）
原始效果：
4 * 4 子采样：
但是 No Free Lunch！
我们为了达到 MSAA 的效果，牺牲了什么呢？
计算量。比如 2 * 2 就是 4 倍的计算量；4 * 4 就是 16 倍的计算量。
但是人们是贪婪的，人们不希望通过这么大的采样量就达到这么一点点的效果，人们希望只用很少的采样点，也能够达到这样的效果。
在实际的工业界，人们也不会用这么规则的划分成比如说 4 * 4 个点，人们会用一些更加有效的图案来分布这些不同的点，有一些点还会被临近的像素所复用。所以如果打游戏时如果开启抗锯齿，比如 2 * 2 的 MSAA，帧率不会掉到原来的 1 / 4，不会掉得那么多，有很多样本得到了复用。
在这里只提到了一种抗锯齿，显然无法代表现代图形学的发展，抗锯齿的方案当然有很多。比如 FXAA 是对图像的后期处理，我先得到有锯齿的图，我再对它进行操作（前面我们就使用先采样后模糊的方法），先将有锯齿的边界找到，然后再进行匹配，用没有锯齿的边界换上，而且非常非常快，它是和采样无关的图像方面做的抗锯齿，效果挺好的。TAA 是最近几年兴起的抗锯齿的方法，非常简单高效，Temporal 就表示和时间相关的，我去找上一帧的信息，假如说不是一个运动的场景，是一个静止的场景，相邻两帧显示的东西一样，TAA 它会说我复用上一帧感知到的结果，就是说上一帧像素的值在这一帧还会发生作用，相当于 MSAA 对应的这些样本给分布在时间上。
另外再提一个超分辨率（超采样）的概念，比如一张 512 * 512 的图，把它拉大成 1024 * 1024 的图，那看到的全是锯齿。我想把这张图拉大，但我又不想看到锯齿，就跟抗锯齿很相似。DLSS 深度学习的方法，图片拉大后有些细节缺失，那我猜出来就最好了，一切涉及猜测的技术都是目前深度学习非常擅长的。
标签：采样,抗锯齿,走样,卷积,频域,像素,信号 来源： https://www.cnblogs.com/hanselhuang/p/15754334.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。