🐣 🤧 🌵 SMAA: संवर्धित उप-आकृति विज्ञान चौरसाई 🧝🏼 ⚓️ 😒

यह लेख जोर्ज जिमेनेज़, जोस एचेवारिया, थियागो सॉस और डिएगो गुटिरेज़ की पत्रिकाओं पर आधारित है।

एसएमएएए का उनका डेमो कार्यान्वयन यहां (.exe फ़ाइल) में पाया जा सकता है। मेरे GTX 960 2GB पर यह काफी ठीक काम करता है।

पुराने विरोधी अलियासिंग तरीके

कई वर्षों के लिए, चौरसाई के लिए मानक MSAA (मल्टीसैमलिंग एंटीलियासिसिंग) और एसएसएए (सुपरसेम्पलिंग एंटीलियासिसिंग) थे। वास्तव में, वे अभी भी सभी आधुनिक एंटी-अलियासिंग तकनीकों में उच्चतम गुणवत्ता प्रदान करते हैं। जैसा कि हम जानते हैं, अलियासिंग नमूनों की कमी के कारण होता है, दोनों स्थानिक (टूटी हुई रेखाओं) और टेम्पोरल स्तर (टिमटिमाते हुए) पर, आमतौर पर किनारों और छवि के उच्च और निम्न विपरीत क्षेत्रों के पास। इससे निपटने के लिए, हमारे पास दो विधियाँ हैं जो एक बार एकमात्र समाधान थीं: सुपरसम्पलिंग और मल्टीसमैपलिंग। सुपरसैंपलिंग के साथ, हम छवि को बड़ा करते हैं, और फिर इसके नमूने को वांछित समाधान तक कम करते हैं। यह सिद्धांत महान काम करता है क्योंकि यह समस्या के सभी पहलुओं पर लागू होता है। मल्टीसमैपलिंग एक समान समाधान का उपयोग करता है। इस पद्धति में, प्रत्येक नमूने को एक विशिष्ट गुणांक के आधार पर दोहराया जाता है। आधुनिक उच्च संकल्पों के साथ, इसके लिए काफी शक्तिशाली ग्राफिक्स कार्ड की आवश्यकता होती है। इसलिए, हमें नए चौरसाई तरीकों की आवश्यकता है, दोनों स्थानिक और लौकिक स्तरों पर। ये सभी विधियां अपने काम में एक एल्गोरिथ्म का उपयोग करती हैं - किनारे की मान्यता। लेकिन वे अन्य ऑपरेशन करते हैं।

आधुनिक चौरसाई तरीके

कई आधुनिक फ़िल्टर-आधारित विधियां हैं जो ऊपर सूचीबद्ध दो से हीन होने के बावजूद अच्छा काम करती हैं। FXAA, DEAA, GPAA, GBAA, CSAA, EQAA, DLAA ... इस लेख में हम SMAA, और इसके पूर्ववर्ती - MLAA के बारे में बात करेंगे। इन आधुनिक फ़िल्टर-आधारित विधियों की अपनी समस्याएं हैं:

अधिकांश एज मान्यता एल्गोरिदम जो इन विधियों को रेखांकित करते हैं, केवल पिक्सेल के बीच संख्यात्मक अंतर पर विचार करते हैं और जिस तरह से वे दर्शक को प्रदर्शित करते हैं, उसे अनदेखा करते हैं।
ऑब्जेक्ट का मूल आकार हमेशा संरक्षित नहीं होता है, कोनों की सामान्य गोलाई लगभग हमेशा ग्रंथों, तेज कोनों और उप-एक्सेल तत्वों पर स्पष्ट रूप से दिखाई देती है।
अधिकांश समाधान केवल क्षैतिज या ऊर्ध्वाधर पैटर्न को संभालने के लिए डिज़ाइन किए गए हैं, और विकर्णों की उपेक्षा करते हैं।
रियल सबपिक्सल तत्वों और सबपिक्सल गति को सही ढंग से संसाधित नहीं किया जाता है। अलियासिंग प्रतिबिंब (स्पेक्युलर) और शेडिंग (छायांकन) पूरी तरह से समाप्त नहीं हुए हैं।

जैसा कि आप अनुमान लगा सकते हैं, हमने इन समस्याओं को उठाया क्योंकि हम उन्हें खत्म करना चाहते हैं।

मॉर्फोलॉजिकल एंटीलियासिस (MLAA)

MLAA मूल ज्यामिति के कवरेज का मूल्यांकन करने की कोशिश कर रहा है। चिकने त्रिकोण के सटीक रेखांकन के लिए, पृष्ठभूमि के साथ ठीक से मिश्रण करने के लिए त्रिकोण के अंदर प्रत्येक पिक्सेल के कवरेज क्षेत्र की गणना करना आवश्यक है। MLAA एक एंटी-अलियास इमेज के साथ शुरू होता है और फिर सिल्हूट्स को वे क्षेत्रों को कवर करने की गणना करके प्रक्रिया को उलट देता है। चूंकि पृष्ठभूमि को रेखांकन के बाद पहचाना नहीं जा सकता, इसलिए MLAA इसे पड़ोसी के साथ मिलाता है, यह मानते हुए कि इसका मूल्य मूल पृष्ठभूमि के मूल्य के करीब है। दूसरे शब्दों में , एल्गोरिथ्म सीमाओं (रंग या गहराई के बारे में जानकारी का उपयोग करके) को पहचानता है, और फिर उनमें विशिष्ट पैटर्न पाता है। सीमाओं में पिक्सल के बुद्धिमान मिश्रण द्वारा चौरसाई प्रदान की जाती है। MLAA में DirectX 10 और मोनो गेम (XNA) पर कार्यान्वयन है। यह ईमानदारी से Fable II जैसे गेम में लागू किया गया है। MLAA के रचनाकारों ने बाद में SMAA, या एन्हांस्ड सबपिक्सल मॉर्फोलॉजिकल एंटीलिअसिंग (उन्नत उप-पिक्सेल रूपात्मक एंटी-अलियासिंग) बनाया, जो इस लेख का मुख्य विषय है।

एक्शन में MLAA

संवर्धित उप-रूपात्मक आकृति विज्ञान एंटीएलियासिंग (SMAA)

Crysis 2 में SMAA और अन्य तरीकों की तुलना

SMAA विश्वसनीय बढ़त पहचान प्रदान करता है, साथ ही तेज ज्यामितीय तत्वों और विकर्ण लाइनों को संभालने के लिए एक सरल और कुशल तरीका है। इसके अलावा, एसएमएए ज्यामिति के आकार में परिवर्तन नहीं करता है, जैसा कि कई अन्य तरीके करते हैं।

ऊपर - एए नहीं; बीच में - MLAA; नीचे - SMAA

SMAA MLAA पाइपलाइन पर बनाया गया है, और इसके हर चरण में सुधार या पुनर्विचार करता है। विशेष रूप से, धार किनारों को बनाने के लिए स्थानीय विपरीत को अपनाने के साथ-साथ रंग जानकारी का उपयोग करके बढ़त की पहचान में सुधार किया जाता है। विधि तेज ज्यामितीय तत्वों और विकर्णों को बचाने के लिए उपयोग किए जाने वाले पैटर्न की संख्या का विस्तार करती है। अंत में, वह दिखाता है कि कैसे मॉर्फोलॉजिकल स्मूथिंग को मल्टीसमैपलिंग या सुपरसम्पलिंग और टेम्पोरल रिप्रोडक्शन के साथ सटीक रूप से जोड़ा जा सकता है।

धार पहचान

एज मान्यता एक महत्वपूर्ण कदम है क्योंकि गैर-मान्यता प्राप्त किनारे विकृत रहते हैं। दूसरी ओर, फ़िल्टरिंग के साथ बहुत अधिक किनारों से छवि की गुणवत्ता कम हो जाती है। एज की पहचान के लिए विभिन्न जानकारी का उपयोग किया जा सकता है: रंग, चमक, गहराई, सतह सामान्य और उनका संयोजन। SMAA चार कारणों से luma का उपयोग करता है:

कम कलाकृतियाँ।
चमक हमेशा दिखाई देती है।
यह छायांकन विकृति को संभाल सकता है।
और अंत में, यह क्रोमा की तुलना में तेज है।

बाएं और केंद्र: किनारे की पहचान के अन्य तरीके, लाल चौराहों और कलाकृतियों की उपस्थिति के लिए अग्रणी; दाईं ओर: पूरी तरह से तेज किनारों SMAA

इस छवि को याद रखें। यहां बताया गया है कि एज की मान्यता कैसे काम करती है: अंतिम गणना मूल्य बूलियन मान है जिसे बाएं किनारे की सीमा कहा जाता है। इसी तरह, शीर्ष किनारे के लिए बूलियन मानों की गणना की जाती है। सूत्र:

c_{अ ध ि क त म} = अ ध ि क त म ब ा ए ँ (c_{l}, c_{r}, c_{b}, c_{i}, c_{2 l} r i g h t)

$c_ {अधिकतम} = अधिकतम \ बाएँ (c_l, c_r, c_b, c_i, c_ {2l} \ right)$

e_{l}^{} p r i m e = e_{l} w e d g e c_{l} > 0.5. c_{अ ध ि क त म}

$e_l ^ \ prime = e_l \ wedge c_l> 0.5.c_ {अधिकतम}$

C के सभी मूल्यों को कंट्रास्ट डेल्टस कहा जाता है।

पैटर्न प्रसंस्करण

पैटर्न मान्यता SMAA आपको तेज ज्यामितीय तत्वों, जैसे कोणों, विकर्णों को संसाधित करने और दूरी के लिए एक सटीक खोज प्रदान करने की अनुमति देता है।

तीव्र ज्यामितीय तत्व: MLAA में सिल्हूट का वैश्वीकरण गोल कोनों के लिए प्रवण होता है। इससे बचने के लिए, एसएमएए अवलोकन का उपयोग करता है कि समोच्च लाइनों में किनारों के चौराहे का अधिकतम आकार एक पिक्सेल है, और तेज कोनों के लिए यह लंबाई लंबी होने की संभावना है। इसलिए, SMAA किनारों को दो पिक्सेल लंबे समय तक ले जाता है, जो कम आक्रामक कोने के प्रसंस्करण की अनुमति देता है।

विकर्ण पैटर्न: हमने विकर्ण पैटर्न को पहचानने के लिए एक पूरी तरह से नया तरीका जोड़ा है। इसमें निम्नलिखित दो चरण होते हैं:

विकर्ण दूरी की खोज $d_l$ और $d_r$ विकर्ण लाइनों के बाएँ और दाएँ।
किनारों को प्राप्त करना $e_1$ और $e_2$ ।
इस इनपुट का उपयोग करते हुए, हम क्षेत्र को प्राप्त करने वाले क्षेत्र की पूर्व-गणना की गई बनावट तक पहुंचने के लिए एक विशिष्ट विकर्ण पैटर्न को परिभाषित करते हैं $a_t$ और $a_b$ ।

यदि विकर्ण पैटर्न की मान्यता विफल हो गई, तो ऑर्थोगोनल पैटर्न की मान्यता शुरू होती है।

दूरियों की सटीक खोज: पैटर्न को पहचानने और वर्गीकृत करने की कुंजी किनारे की सटीक दूरी (लाइन के दोनों छोरों की लंबाई) प्राप्त करना है। इस प्रक्रिया को गति देने के लिए, MLAA सक्रिय रूप से हार्डवेयर प्रक्षेप का उपयोग कर रहा है। बिलिनियर हार्डवेयर फ़िल्टरिंग का उपयोग एकल मेमोरी एक्सेस ऑपरेशन में चार अलग-अलग मान प्राप्त करने और एन्कोड करने के लिए किया जा सकता है। दो द्विआधारी मूल्यों (यानी, बिलिनियर ) का यह रैखिक प्रक्षेप निम्नलिखित सूत्र द्वारा वर्णित एकल फ्लोटिंग पॉइंट वैल्यू बनाता है:

f_{x} (b_{1}, b_{2}, x) = x . b_{1} (1 - x) . b

$f_x (b_1, b_2, x) = x.b_1 (1-x) .b$

जहाँ

b_{1}

$b_1$ और

b_{2}

$b_2$ दो बाइनरी मान (0 या 1) हैं, और

x

$x$ प्रक्षेप मूल्य है।

परिणाम

MLAA प्रति पिक्सेल एक नमूने के साथ काम करता है। जो उप-नमूने की ओर जाता है, जिसके कारण वास्तविक उप-पिक्सेल तत्वों को फिर से बनाना असंभव है।

SMAA और कोई AA के साथ MLAA की तुलना करें

हालाँकि, SMAA एक उप-पिक्सेल स्तर पर काम करता है। यह निम्नलिखित की ओर जाता है:

स्थानीय विपरीत
विकर्ण पैटर्न को पहचानना
तीव्र ज्यामितीय तत्व
सटीक खोज

यह सब नीचे की छवि में देखा जा सकता है, जहां इन पहलुओं की तुलना अन्य तरीकों के परिणामों से की जाती है। वास्तव में, एसएमएए एसएसएए 16x के करीब परिणाम का उत्पादन कर सकता है।

इनमें से प्रत्येक समाधान द्वारा बनाया गया ओवरहेड नगण्य है। विशेष रूप से, स्थानीय कंट्रास्ट का अनुकूलन केवल 0.08 एमएस लेता है, तेज ज्यामितीय तत्वों की पहचान और सटीक दूरी 0.01 एमएस लेती है, और विकर्णों का प्रसंस्करण एक अतिरिक्त 0.12 एमएस जोड़ता है। सीधे शब्दों में कहें, SMAA SSAA और MSAA की तुलना में काफी तेज, धीमा है, लेकिन अधिक फलदायी और कम संसाधन गहन है।

SMAA: संवर्धित उप-आकृति विज्ञान चौरसाई