Supermuestreo

El supermuestreo o antialiasing por supermuestreo ( SSAA ) es un método de antialiasing espacial , es decir, un método utilizado para eliminar el aliasing (bordes irregulares y pixelados, coloquialmente conocidos como " jaggies ") de las imágenes renderizadas en juegos de computadora u otros programas informáticos que generan imágenes. El aliasing se produce porque, a diferencia de los objetos del mundo real, que tienen curvas y líneas suaves y continuas, una pantalla de computadora muestra al espectador una gran cantidad de cuadrados pequeños. Todos estos píxeles tienen el mismo tamaño y cada uno tiene un solo color. Una línea solo se puede mostrar como una colección de píxeles y, por lo tanto, aparece irregular a menos que sea perfectamente horizontal o vertical. El objetivo del supermuestreo es reducir este efecto. Se toman muestras de color en varias instancias dentro del píxel (no solo en el centro como es normal) y se calcula un valor de color promedio. Esto se logra renderizando la imagen a una resolución mucho mayor que la que se muestra y luego encogiéndola al tamaño deseado, utilizando los píxeles adicionales para el cálculo. El resultado es una imagen con una resolución reducida y transiciones más suaves de una línea de píxeles a otra a lo largo de los bordes de los objetos. La cantidad de muestras determina la calidad del resultado .

El aliasing se manifiesta en el caso de imágenes 2D como un patrón muaré y bordes pixelados, conocidos coloquialmente como " dientes de sierra ". El conocimiento común sobre procesamiento de señales y procesamiento de imágenes sugiere que para lograr la eliminación perfecta del aliasing , se requiere un muestreo espacial adecuado a la tasa de Nyquist (o superior) después de aplicar un filtro anti-aliasing 2D . Como este enfoque requeriría una transformación de Fourier directa e inversa , se desarrollaron aproximaciones computacionalmente menos exigentes como el supermuestreo para evitar cambios de dominio al permanecer en el dominio espacial ("dominio de la imagen").

El supermuestreo es computacionalmente costoso porque requiere mucha más memoria de tarjeta de video y ancho de banda de memoria , ya que la cantidad de búfer utilizado es varias veces mayor. ^[1] Una forma de evitar este problema es utilizar una técnica conocida como supermuestreo adaptativo , donde solo se supermuestrean los píxeles en los bordes de los objetos.

Inicialmente, se toman solo unas pocas muestras dentro de cada píxel. Si estos valores son muy similares, solo se utilizan estas muestras para determinar el color. Si no, se utilizan más. El resultado de este método es que se calcula un mayor número de muestras solo cuando es necesario, lo que mejora el rendimiento.

Al tomar muestras dentro de un píxel, es necesario determinar de alguna manera la posición de las muestras. Aunque la cantidad de formas en que esto se puede hacer es infinita, hay algunas que se usan comúnmente. ^{[1] [2]}

• 
  Algoritmo de cuadrícula en distribución uniforme
• 
  Algoritmo de cuadrícula rotada (con el doble de densidad de muestra)
• 
  Algoritmo aleatorio
• 
  Algoritmo de fluctuación
• 
  Algoritmo del disco de Poisson
• 
  Algoritmo del método cuasi-Monte Carlo
• 
  N-Torres
• 
  Sociedad Estatal Rusa
• 
  Antialiasing de alta resolución (HRAA), Quincunx
• 
  Cuadrángulo giratorio
• 
  Fliptri

El algoritmo más simple . El píxel se divide en varios subpíxeles y se toma una muestra del centro de cada uno. Es rápido y fácil de implementar. Sin embargo, debido a la naturaleza regular del muestreo, aún puede producirse aliasing si se utiliza una cantidad baja de subpíxeles.

También conocido como muestreo estocástico, evita la regularidad del supermuestreo de cuadrícula. Sin embargo, debido a la irregularidad del patrón, las muestras terminan siendo innecesarias en algunas áreas del píxel y faltantes en otras. ^[3]

El algoritmo de muestreo de disco de Poisson ^[4] coloca las muestras aleatoriamente, pero luego verifica que dos de ellas no estén demasiado cerca. El resultado final es una distribución uniforme pero aleatoria de las muestras. El algoritmo ingenuo de "lanzamiento de dardos" es extremadamente lento para grandes conjuntos de datos, lo que alguna vez limitó sus aplicaciones para la representación en tiempo real . ^[3] Sin embargo, ahora existen muchos algoritmos rápidos para generar ruido de disco de Poisson, incluso aquellos con densidad variable. ^{[5] [6] [7]} El conjunto Delone proporciona una descripción matemática de dicho muestreo.

Una modificación del algoritmo de cuadrícula para aproximarse al disco de Poisson. Un píxel se divide en varios subpíxeles, pero no se toma una muestra del centro de cada uno, sino de un punto aleatorio dentro del subpíxel. Todavía puede producirse la concentración, pero en menor grado. ^[3]

Se utiliza un diseño de cuadrícula de 2x2, pero el patrón de muestra se rota para evitar que las muestras se alineen en el eje horizontal o vertical, lo que mejora en gran medida la calidad del antialiasing para los casos más comunes. Para un patrón óptimo, el ángulo de rotación es arctan ( ⁠1/2) (aproximadamente 26,6° ) y el cuadrado se estira por un factor de ⁠√ 5/2⁠ ^{[8] [ cita requerida ]} , lo que también la convierte en una solución de 4 reinas .

• Sobremuestreo
• Anti-aliasing multimuestra
• Tresbolillo
• Tarjeta gráfica
• Unidad de procesamiento gráfico
• Trazado de rayos (gráficos)
• Búfer de cuadros
• Motor de juego
• Escalado de imagen
• 2×Sal
• Supermuestreo de aprendizaje profundo

• "Antialiasing de alta resolución (HRAA)". Resumen técnico: Antialiasing de alta resolución mediante multimuestreo . Consultado el 22 de abril de 2017 .
• "¿Qué es el supermuestreo (técnica de antialiasing)?". Base de conocimientos de hardware . Archivado desde el original el 25 de marzo de 2006. Consultado el 1 de mayo de 2006 .
• Getreuer, Pascal (2011). «Interpolación de imágenes con plantillas de contorno». Procesamiento de imágenes en línea . 1 : 70–82. doi : 10.5201/ipol.2011.g_iics . Consultado el 21 de octubre de 2010 .