超級採樣 Supersampling，採樣supersampling

超級採樣 Supersampling，採樣supersampling
超級採樣是一個spatial 消除鋸齒的一種方法，用於消除走樣（鋸齒和像素化的邊緣）從電腦遊戲上的渲染的圖片或者其他的電腦程式中產生。不像現實中的物體有連續光滑的曲線，鋸齒的產生是因為電腦顯示給瀏覽者的是大量的正方形。這些“像素”都是一樣大的，每個都有一種顏色。一條線只能被顯示成像素的集合，因此出現了鋸齒，除非是絕對水平或垂直的線。超級採樣的目的是為了減少這種事情，從幾個在像素中的執行個體進行顏色採樣（不是像正常情況下的只是在正中心），然後計算平均顏色值。這是從渲染的圖片比已經顯示的圖片有高的多的解析度中取得的，然後縮小到需要的大小，使用額外的像素來計算。結果是一個
從一行像素到另一個沿著邊緣的物體有著光滑過渡的降低採樣的圖片。
採樣的數量決定了輸出的品質。
 
計算消耗與自適應超級採樣超級採樣計算昂貴，因為它需要很多顯卡顯存和儲存頻寬，緩衝的消耗數量是幾倍之大。一個解決問題的方法是使用自適應超級採樣（adaptive supersamplin）技術，只在當像素在物體邊緣時進行超級採樣。最初是在每個像素只進行很少的採樣。如果這些值非常的類似，這些採樣決定了顏色。如果不是，更多地使用。這個方法的結果是只在必要時進行大量的採樣，從而提高效能。
超級取樣模式當在像素中進行採樣時採樣的位置可用一些方式決定。雖然方法有無限多種，下面這些是很常用的。
 
網格（Grid）最簡單的演算法。像素分離為幾個子像素，每一個像素都來自他們的中心。實現起來又快又簡單。但是，因為這種抽樣很有有規律，如果子像素數量很少的話，鋸齒還是存在的。
隨機（Random）也稱為stochastic sampling，這種方法避免了像網格抽樣的那種規律性。然而，由於這種不規則的模式，採樣在其他一些像素和缺乏的地區不必要的結束。
Poission disc
又是一個隨機取樣的演算法，但是每兩個取樣位置距離都不是很近。最終結果是一個隨機分布的偶數。然而，這個演算法需要的時間太大了以至於不能證明它用在即時渲染，除非樣品本身計算比每個像素的定位取樣點或沒複位的取樣點昂貴。
抖動（Jittered）網格演算法的修正，近似於Poission disc。一個像素分離為幾個子像素，但是樣品不是每個都從中心發出的，但是從在子像素中的一個隨機的點。集合能依然存在，但是程度較輕。
旋轉的網格（Rotated grid）

一個2x2網格的布局被使用但是取樣模式是旋轉的，來避免在水平或垂直軸的校準，通常大大的提高的消除鋸齒的品質。對於一個最佳的模式，旋轉角度是arctan (1/2) (大約 26.6°)，正方形被一個因素展開 √5/2

原文來自wiki：http://en.wikipedia.org/wiki/Supersampling

               譯自：wolf96