基于未来帧的时间性反走样研究及实践

时间性反走样算法具有效率优势,是近年来被广泛应用的实时反走样算法之一。该算法通过将采样点平摊至历史多帧及复用历史数据的方式来实现实时反走样。在时域信息采样充分且历史数据可复用的前提下,该算法能取得和超采样反走样算法类似的效果。然而在实际应用中,时间性反走样算法会有几何边缘锯齿、重影及子像素细节缺失等问题。本文以时间性反走样算法为研究基础,针对时间性反走样算法存在的问题,提出了一种基于未来帧的时间性反走样算法。其基本思想是,在使用已有时域信息的基础上,将未经反走样处理的未来一帧纳入时间性反走样,通过使用未来帧的样本,提升几何反走样效果,实现抗重影以及改善子像素细节缺失情况。本文算法提出了可复用未来帧数据提取以及未来帧数据复用的解决方案。实验结果表明,与时间性反走样算法相比,该算法的反走样效果更优。

基于稀疏超采样的时间性反走样算法

针对时间性反走样算法在处理帧间复用时,若场景中有较多高频颜色区域或精细模型会造成重影、模糊、闪烁及子像素细节丢失的问题,提出了基于稀疏超采样的时间性反走样算法。基本思想是,在时间性反走样算法的基础上,对于无法复用历史帧像素,重新引入空间域的超采样,利用剔除算法以避免不必要的绘制开销,实现对场景的稀疏超采样。实验结果表明,该算法能够得到与超采样算法媲美的反走样效果,并具有更高的渲染效率,有效避免重影、模糊、闪烁及子像素细节丢失的问题。

一种自适应时间性反走样算法

针对时间性反走样算法使用启发式方法导致的模糊、闪烁和子像素细节丢失的问题,提出一种自适应时间性反走样算法。对于历史颜色失效的像素,使用超采样来代替传统时间性反走样算法中的启发式方法,并通过层次化的分割掩码和几何着色器在屏幕空间上剔除不需要超采样的三角形,以执行稀疏光栅化来加速算法。实验结果表明,自适应时间性反走样算法能有效解决传统时间性反走样算法中存在的问题得到较好的反走样效果。

分子可视化中的光线追踪棋盘渲染

在分子可视化中使用光线追踪渲染图像能够极大地促进研究人员对分子结构的观察和感知,但现有的光线追踪方法存在实时性能不足以及渲染质量不佳的问题。文中提出了一种光线追踪棋盘渲染方法。该方法利用棋盘渲染技术对光线追踪方法进行优化,其流程主要划分为重投影、渲染、重建和孔填充4个阶段,在各阶段中,提出了针对棋盘渲染的改进,包括光线追踪前向重投影、分子着色包围盒、动态图像重建方法和八邻居插值填孔策略。在6个拥有不同原子数量的分子上与目前的先进方法进行对比,实验结果表明,所提方法整体的实时帧率明显高于同样基于CPU计算的Tachyon-OSPRay方法,是后者的1.58~1.86倍。另外,在原子数量相对较少的实验分子上,所提方法比基于GPU加速计算的Tachyon-Optix方法拥有更好的帧率表现。