{
  "id": "anti-aliasing",
  "title": "抗锯齿",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "抗锯齿通过滤波或合并采样来减少采样伪影，提高数字图像、渲染场景、音频及其他采样数据的保真度。",
  "category": "computer-science",
  "subcategory": "software",
  "type": "concept",
  "aliases": [
    "反走样",
    "抗混叠",
    "反锯齿"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/anti-aliasing/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/anti-aliasing/",
      "json": "https://aiwiki.page/en/anti-aliasing.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "抗锯齿是一组用于减少或防止混叠的技术。混叠是指用过少的样本来表示连续变化或经过精细采样的信号时，出现误导性图样的现象。在计算机图形学中，抗锯齿尤其常指平滑锯齿状边缘，但其应用范围还包括抑制纹理闪烁、不稳定的高光、照片中的虚假图样，以及数字音频中不需要的频率分量。它的目的并非仅仅让图像显得更柔和，而是让采样后的表示更忠实于所表示的信号或场景。\n\n根本问题在于，不同的信号可能产生完全相同的样本。一旦引入这种歧义，后续处理通常就无法判定原始信号究竟是哪一个。因此，理想情况下，抗锯齿应在采样之前进行，滤除采样网格无法表示的频率成分。图形系统还会通过增加采样点、解析积分、利用连续多帧进行重建，以及基于图像的近似处理，来减轻欠采样造成的可见影响。\n\n各种抗锯齿方法在采样对象、保留的信息以及针对的伪影类型上各有不同。改善多边形轮廓的方法，可能无法改善纹理闪烁；能生成稳定静态图像的方法，也可能仍会留下运动伪影。要理解这些差异，就需要将图像形成视为一个涉及几何形状、表面外观、光照、运动及显示重建的采样问题。"
    },
    {
      "heading": "采样理论与伪影的成因",
      "text": "采样理论描述了连续信号与离散测量序列之间的关系。对于以频率 \\(f_s\\) 采样的一维信号，奈奎斯特频率为 \\(f_s/2\\)。奈奎斯特—香农采样定理指出，只要信号经过适当的带限处理，且其最高频率严格低于这一上限，就可以从等间隔的采样值中重建该信号。这一条件至关重要：突变、脉冲以及图形处理中遇到的许多信号都不是带限信号。\n\n采样会使原始信号的频谱副本出现在采样频率的各个整数倍处。如果这些副本相互重叠，高频成分便会与低频成分无法区分。例如，以每秒 1,000 次的速率对一个 700 Hz 的正弦信号进行采样，得到的采样值也与一个相位适当的 300 Hz 正弦信号相符。这种呈现为较低频率的现象并非随机测量噪声，而是由信号与采样位置之间的关系确定的。\n\n在图像中，空间频率通常以每像素的周期数或每单位距离的周期数表示。明暗交替、周期为两个像素的图案，在网格的一个轴向上恰好处于奈奎斯特极限，其外观对相位极为敏感。更精细的图案则无法得到可靠表示。二维采样点阵也会产生影响：频率具有方向性，而方形网格与水平、垂直及对角线图案之间的几何关系各不相同。场景中的图案与网格相互干涉，可能产生莫尔图案，其中包括原场景中并不存在的宽条带。\n\n多边形边界尤其难以处理，因为理想的阶跃边缘包含任意高的空间频率。如果仅在每个像素的中心取色，平滑移动的斜边就会呈现为阶梯状。随着边缘移动，各个采样值会在前景和背景之间突然切换，造成闪烁或边缘爬动。细小的几何图元若未被任何采样点命中，甚至可能完全消失。\n\n时间维度上也存在相应的问题。以离散的帧间隔记录旋转的车轮时，车轮可能看似静止，或仿佛在倒转。在渲染动画中，即使物体运动平滑，狭窄的高光也可能在帧间时隐时现。空间抗混叠与时间抗混叠处理的是相互关联的欠采样问题，但仅提高空间分辨率并不能消除时间混叠。要使图像序列忠实还原场景，就必须同时考虑图像平面上的变化和曝光时段内的变化。"
    },
    {
      "heading": "滤波、像素覆盖范围与重建",
      "text": "与其把像素值看作某个无穷小点的颜色，不如将其理解为经过滤波的测量值。在简化的成像平面模型中，像素位置 \\((i,j)\\) 处的目标值为\n\n\\[C_{ij}=\\int_{\\mathbb{R}^2} L(x,y)\\,h(x-i,y-j)\\,dx\\,dy,\\]\n\n其中，\\(L(x,y)\\) 是连续图像，\\(h\\) 是归一化滤波器，用于描述邻近图像值对该像素值的贡献方式。方框滤波器在矩形覆盖范围内取平均；帐篷滤波器则赋予中心位置更高的权重。滤波器的选择会影响清晰度、对非期望频率的抑制效果，以及过渡区域的外观。\n\n低通滤波器会衰减目标采样率无法表示的频率成分。在理想的带限情况下，矩形频率响应对应于 sinc 形状的空间核。该核向外无限延伸，因此无法在实际中精确实现。实际滤波器会采用有限支撑域或其他近似方法，其设计需要在过渡带宽度、计算成本以及高对比度边缘附近的振铃等伪影之间取得平衡。方框滤波器计算成本低且直观，但其频率响应并不能消除目标奈奎斯特极限以上的所有频率成分。\n\n预滤波和重建是相互关联但又不同的操作。预滤波是在采样前或降低采样率之前对信号进行处理。重建则是根据样本估计连续信号，通常通过核函数将邻近样本值组合起来。在调整图像尺寸时，这两种操作往往一并实现。不过，缩小图像时必须扩大重建核的支撑域：适合放大图像的滤波器，在图像大幅缩小时可能会放过过多的高频成分。\n\n傅里叶变换能清楚地揭示这些权衡关系。在空间域中与滤波器进行卷积，对应于在频域中乘以该滤波器的频率响应。更强地抑制高频通常可以减少混叠，但也会去除接近分辨率极限的真实细节。负的滤波器权重可以保持视觉上的清晰度，却可能在边缘周围引入明亮或暗淡的光晕。因此，单纯追求最高清晰度或最高平滑度，都不足以作为评判标准。\n\n滤波还应遵循被平均数值的物理含义。在通常的辐射度成像过程中，各部分贡献在线性光空间中相加。如果改为对经过非线性显示编码的数值取平均，过渡区域就可能变得过暗。因此，同样的数值平均运算，会因色彩空间和传递函数的不同而产生不同的视觉效果。带有透明度通道的图像还需要格外注意：对预乘透明度的颜色值和透明度值进行滤波，可以避免完全透明像素中的任意颜色污染可见边界。这些问题并非独立于抗混叠之外，因为它们决定了估算出的像素积分是否代表了预期的光混合结果。"
    },
    {
      "heading": "解析式边缘覆盖率与文本渲染",
      "text": "对于简单形状，可以通过估算图元覆盖像素区域的比例来计算抗锯齿效果。如果颜色恒定的前景在颜色恒定的背景上覆盖了一个像素的 \\(\\alpha\\) 比例，那么采用盒式滤波近似可得\n\n\\[C=\\alpha C_{\\mathrm{foreground}}+(1-\\alpha)C_{\\mathrm{background}}.\\]\n\n这样，斜线边界处就会出现中间色值，而不是完全覆盖与完全未覆盖的像素生硬交替。这是一种覆盖率计算，并不意味着所有边缘都应该以相同程度模糊处理。\n\n解析方法可以计算或近似求出像素区域与直线、多边形或曲线边界之间的相交部分。在光栅化过程中，可以沿像素边界裁剪几何图形，也可以在像素区域上对边缘方程求积分。吴小林于 1991 年发表的直线算法是一种著名的高效抗锯齿直线绘制方法，通过在相邻像素之间分配强度来实现抗锯齿。更通用的矢量渲染器则使用覆盖掩码或扫描转换过程，处理填充路径、曲线和裁剪区域。\n\n仅凭覆盖率，只有在特定假设下才能得到精确结果。一个被部分覆盖的像素内可能包含多个表面、不同深度以及快速变化的明暗。两个各覆盖半个像素的形状，覆盖的未必是同一半区域。因此，如果丢失了这些覆盖区域之间的空间关系，将各自独立估算的标量覆盖率合并，就可能得到错误结果。保留多个子像素采样或更详细的覆盖信息，有助于保留这些关系。\n\n文本渲染将这些思路应用于字形轮廓。灰度抗锯齿用介于明暗两端之间的亮度值来表示字形的部分覆盖。不过，在字号较小时，忠实地对轮廓求积分并不是唯一需要考虑的因素：当笔画宽度接近像素间距时，笔画可能显得粗细不均或过于纤弱。字体微调通过调整轮廓或其光栅化方式，使之更好地对齐像素网格。微调会有意改变几何位置，而抗锯齿则估算调整后几何形状的显示效果；这两个过程分别解决易读性的不同问题。\n\n子像素渲染利用某些显示器中各彩色子像素的物理排列方式。在传统的 RGB 条纹排列面板上，分别控制红、绿、蓝色单元，可以提高文本边缘在水平方向上的视觉定位精度。微软在 21 世纪之交推出的 ClearType 就是其中一种著名实现。此类方法需要对面板布局、方向以及后续图像处理作出假设。面板旋转、子像素排列不同或后续缩放，都可能产生彩色边缘。灰度渲染对显示器几何结构的依赖较小，因此适用于最终显示特性未知的情况。"
    },
    {
      "heading": "超采样与随机积分",
      "text": "超采样在多于输出像素数量的采样位置上计算图像，并通过重建滤波器合并结果。如果将图像的宽和高都按输出尺寸的两倍进行渲染，就会产生四倍的图像样本；如果宽和高都扩大到四倍，样本数则会增至十六倍。这种方法概念简单、适用范围广，但计算开销可能很大。几何处理、着色、内存传输以及中间缓冲区的开销都可能增加，但增幅未必相同。\n\n采样位置的分布与样本数量同样重要。规则的亚像素网格可能与重复图案发生相干作用，产生具有规则结构的残余混叠。抖动采样让样本在各个分层区域内偏移，其他采样分布则力求使样本均匀分散，同时避免引入明显的周期性结构。这些技术通常会将显眼的相干伪影转化为结构性较弱的误差，但无法消除采样不足的问题：间距很小的栅栏、细线，或缩小幅度极大的纹理，仍可能无法得到准确呈现。\n\n渲染所需的积分往往不只涉及图像平面的两个维度。在光线追踪中，一个样本还可能指定镜头上的位置、快门开启期间的某一时刻、光源上的一点，以及光路上的散射方向。对镜头位置积分会产生景深效果；对时间积分则会产生运动模糊。蒙特卡洛积分使用有限数量的样本估计这些多维积分。对于方差有限的独立样本，标准误差通常按 \\(1/\\sqrt{N}\\) 的比例下降，因此，要将误差减半，通常需要将样本数量增加到四倍。\n\n自适应采样将计算工作集中在估计不确定性较大或图像变化较剧烈的区域。渲染器可能会在轮廓边缘、光泽反射处，或间接照明噪声较大的区域分配更多样本。在计算预算相同的情况下，这种方法可能优于均匀采样，但判断哪些位置需要更多样本本身就很困难。如果所有初始样本都遗漏了某个细小特征，该区域就可能显得完全均匀，从而得不到额外的采样。基于含噪估计值的停止规则如果设计不当，也可能引入偏差。\n\n超采样的价值在于，它可以用统一的框架处理多种形式的图像变化，前提是每个样本确实重新计算了相关量。全场景超采样能够捕捉一些更专门的方法所遗漏的几何、纹理和着色变化。不过，收敛情况取决于被积函数。极亮且范围狭窄的反射和微小光源可能产生出现概率很低、数值却很大的贡献。与不加区分地增加样本数量相比，更好的采样策略、解析滤波以及恰当的材质模型往往更有效。"
    },
    {
      "heading": "多重采样抗锯齿与覆盖率硬件",
      "text": "多重采样抗锯齿通常缩写为 MSAA，它将可见性采样与着色频率分离。在一种常见配置中，每个像素存储多个覆盖和深度样本，而片元着色器对于覆盖该像素的一个图元大致只运行一次，而不是对每个样本都运行一次。所得的着色值会赋给该图元覆盖的样本。因此，在多边形边缘处，不同样本可以保留来自不同表面的颜色。\n\n对多重采样图像进行解析，就是将其样本合并为普通像素，通常采用求平均值的方式。假设有四个权重相等的样本，黑色背景上的一个不透明白色三角形若只覆盖其中一个样本，则在线性光空间中，解析后的值为四分之一。由于采样点布局有限，覆盖率会被量化，因此四个样本无法表示所有可能的覆盖比例。采样点的位置会影响边缘质量、方向偏差，以及相邻像素如何表现同一条边界。\n\nMSAA 的效率优势在于，许多内部像素的可见性变化很小，即便其着色计算十分昂贵。图形处理器可以复用一次着色的结果，同时保留多次几何覆盖测试。实际的着色器调用频率取决于管线状态、图元重叠情况以及是否采用采样频率着色。有些接口允许指定需要独立着色的样本的最低比例，以额外开销换取更接近超采样的效果。\n\nMSAA 的主要局限在于，几何覆盖采样不会自动对多边形内部着色器输出的变化进行积分。即使采用很高的 MSAA 设置，在一个大三角形内部通过程序生成的棋盘格仍可能出现走样。狭窄的镜面高光或细节丰富的法线贴图也是如此。二值化的透明度测试还会带来另一种困难：用带纹理的矩形表示树叶时，其几何边界是矩形，但实际可见的镂空轮廓却由着色器内部决定。普通的几何覆盖采样本身并不会对这种镂空轮廓进行超采样。\n\n透明度转覆盖率（Alpha-to-coverage）将一个类似不透明度的值映射为样本覆盖掩码，使树叶等内容能够利用多重采样存储，而不必采用传统的排序透明渲染。其视觉效果取决于样本数量和掩码的选择，而且它并不能精确解决一般的透明渲染问题。MSAA 还会增加多重采样附件的存储空间和带宽需求。在延迟渲染中，为边界像素存储多条表面记录并分别着色，会使管线变得复杂。这些成本解释了为什么 MSAA 对某些渲染架构仍有吸引力，却没有其在不透明多边形边缘上的出色表现所暗示的那样普适。"
    },
    {
      "heading": "纹理缩小与着色走样",
      "text": "纹理采样也有自身的抗锯齿问题。当带有纹理的表面向远处延伸时，一个屏幕像素可能覆盖数百甚至数千个纹理元素。读取单个纹素，或仅对附近少数几个纹素进行插值，都无法代表这些纹素的平均值。结果可能出现摩尔纹、闪烁，或在相机移动时让静止图案看起来也在运动。双线性插值可以平滑相邻纹素之间的过渡，但在纹理大幅缩小时，仅靠它本身并不能提供充分的滤波。\n\n多级渐远纹理存储一组分辨率逐级降低的纹理图像。每一级通常都将宽度和高度减半，因此，不计内存对齐及其他开销，一个完整的方形纹理金字塔所占的存储空间约为其基础层级的\n\n\\[1+\\frac14+\\frac1{16}+\\cdots=\\frac43\\]\n\n倍。渲染器会估算屏幕像素在纹理上覆盖的区域，并选择合适的层级。三线性过滤不仅在每个层级内部进行插值，还会在两个多级渐远纹理层级之间进行插值，从而减少细节层级变化时可见的突变。\n\n像素在纹理上覆盖的区域往往是狭长的，而不是正方形。从接近地面的角度观察地板时，纹理的一个方向在屏幕上可能变化缓慢，另一个方向却压缩了大量纹素。此时，采用各向同性的多级渐远纹理层级，就必须在过度模糊与滤波不足之间取舍。各向异性过滤会考虑这种不均等的压缩，通常沿覆盖区域的长轴方向合并多个样本。椭圆加权平均滤波提供了一种更明确地基于覆盖区域的数学表述，不过实时实现通常会采用各种近似方法和限制。\n\n着色可能产生底层颜色纹理中并不存在的频率成分。高频法线贴图会调制反射光的方向，而狭窄的镜面反射响应则可能将微小的法线变化放大为快速变化的明亮高光。对法线取平均后再归一化，通常无法得到平均后的反射辐亮度。更合适的方法会考虑无法分辨的表面朝向的分布，通常通过提高有效粗糙度或保留额外的统计信息来实现。\n\n程序化着色器也需要类似的处理。生成条纹或棋盘格的函数可以利用导数，估算局部屏幕像素在函数定义域中覆盖的范围，并对小到无法分辨的细节进行积分或衰减。不连续性、分支和非线性运算可能使导数估计变得不可靠。更一般地说，在执行非线性着色器运算之前对输入进行滤波，并不等同于对其输出进行滤波。因此，纹理过滤、材质过滤和最终图像的抗锯齿所解决的问题彼此相关，却不能相互替代；多边形轮廓平滑，并不意味着着色后的表面已得到充分采样。"
    },
    {
      "heading": "空间后处理方法",
      "text": "空间后处理抗锯齿主要作用于渲染后的图像，而非原始的连续场景。它检测可能存在的混叠模式，并调整邻近像素，使边缘看起来更加平滑。由于可以在大部分渲染工作完成后应用，这类方法比较容易集成到现有渲染管线中，不仅能处理多边形边界，也能处理光照、透明效果或合成产生的边缘。\n\n快速近似抗锯齿（FXAA）由 NVIDIA 的 Timothy Lottes 开发，并于 2011 年得到广泛推广。它利用图像的局部对比度识别边缘，并选择滤波方向。其设计目标是以较低开销运行，且无需存储多个几何样本。典型实现会寻找亮度的显著变化，并沿估计的边缘方向进行混合。这种方法能以较小的代价减轻明显的阶梯状锯齿，但如果精细纹理和文字呈现出与目标边缘模式相似的特征，也可能被一并模糊。\n\n形态学方法则更明确地根据边缘形状进行推断。形态学抗锯齿通常简称为 MLAA，它识别具有特定形态的不连续模式，并估算混合权重，以近似表示子像素覆盖率。子像素形态学抗锯齿（SMAA）由 Jorge Jimenez 及其合作者于 2012 年提出，改进了模式检测、搜索和权重计算，还包含将空间处理与额外样本或时间信息相结合的变体。这些方法表明，“后处理抗锯齿”涵盖了几何推断程度各不相同的多种方法，并不只是一种模糊滤波器。\n\n这类方法的一个根本局限是信息丢失。如果一条细线从未产生过可见的样本，仅依赖图像的方法就没有直接证据证明它存在。同样，高对比度的纹理边界可能看起来像多边形的轮廓，而本来就很锐利的细节也可能看起来像混叠伪影。深度缓冲区和法线缓冲区可以改善分类效果，但无法完全恢复每个像素内部的辐射亮度分布。因此，边缘重建只能建立在对场景原本可能包含哪些内容的假设之上。\n\n这些方法对时间稳定性的控制也较为有限。逐帧单独平滑处理虽然可以减轻阶梯状锯齿，但某些特征在经过采样位置时，仍可能时而出现、时而消失。边缘检测器的分类结果发生微小变化，本身也可能造成帧间变化。这类方法的优势在于开销低、存储需求小、兼容性广；其不足则源于试图在采样已将子像素信息压缩丢失之后，再推断出这些缺失的信息。因此，空间后处理通常会与其他抗锯齿方法结合使用，而不是用来取代纹理过滤或时间采样。"
    },
    {
      "heading": "时间累积与图像重建",
      "text": "时间抗锯齿（简称 TAA）会合并连续渲染帧中的信息。一种常见方法是在每一帧中轻微偏移投影，即施加抖动，从而在不同的亚像素位置对场景进行采样。随后，将先前的结果映射到当前帧中并加以累积。对于能够准确对齐的静态场景，这相当于获得了一组有效样本，其数量超过任何单帧中实际计算的样本数。\n\n重投影通常使用深度缓冲、相机变换和逐像素运动矢量。一个简单的累积模型为\n\n\\[H_t=(1-\\alpha)C_t+\\alpha\\,\\widetilde{H}_{t-1},\\]\n\n其中，\\(C_t\\) 是当前样本，\\(\\widetilde{H}_{t-1}\\) 是重投影后的历史数据，\\(\\alpha\\) 控制历史数据的影响程度。这个表达式描述的是基本的权衡关系，而非完整的生产环境算法。较高的历史权重能够抑制采样波动，但对变化的响应较慢；较低的历史权重响应较快，却会保留更多噪声和混叠。\n\n当可见性发生变化时，先前累积的信息就会失效。新显露出的背景区域，在其当前屏幕位置上没有合适的历史数据。阴影、反射、动态材质和变化的光照，其运动也可能不同于底层几何体。透明表面可能使一个像素中包含多种运动，而单个运动矢量只能表示一种位移。错误地复用历史数据会产生拖影、涂抹状模糊，或使已经移走的物体留下持续残影。\n\n因此，实际系统会验证历史数据的有效性。它们会比较深度或其他属性，在遮挡解除的区域附近减少累积，并将历史颜色限制在根据当前邻域估计出的范围内。这种裁剪能够抑制不合理的历史数据，但也可能丢弃真实的亚像素细节。反过来，较宽松的验证能够保留细节，却有产生拖影的风险。重建滤波器、运动矢量的质量、曝光变化，以及透明渲染与后处理的执行顺序，都会影响结果。\n\n时间上采样进一步扩展了这一方法，利用较低分辨率的当前帧和累积的历史数据，重建出更高分辨率的输出。有些系统使用人工设计的滤波器和置信度规则；另一些则使用机器学习或深度学习组件。这些方法所需的数据可能与 TAA 相同，包括抖动、运动、深度和历史数据，但具体实现存在很大差异。重建无法保证恢复任意未被观测到的细节：信息必须来自实际样本、场景约束或学习得到的先验知识。运动模糊也是一项独立的操作。TAA 在连续帧之间累积样本，而基于物理的运动模糊则对每一帧曝光时间内的辐亮度进行积分；二者并不能直接相互替代。"
    },
    {
      "heading": "采集与重采样中的抗混叠",
      "text": "在记录物理信号时，抗混叠同样重要。在模数转换器对电压进行采样之前，可以用模拟低通滤波器衰减可用采样频带以上的频率成分。实际滤波器具有过渡带，而非截然分明的截止边界，因此采集系统通常会在所需信号的最高频率与采样率的一半之间留出保护带。过采样可以拓宽这一过渡带，从而允许采用过渡更平缓的模拟滤波，随后再进行选择性更强的数字滤波。\n\n音频采样率转换体现了采集后应用的同一原理。将录音的采样率从 96 kHz 降至 48 kHz 时，必须先抑制高于新奈奎斯特频率 24 kHz 的成分，再进行抽取。如果不做这种滤波，只是每隔一个样本保留一个样本，就可能使高频成分折叠到保留的频带内。数字滤波器能够有效完成这项任务，因为原始的较高采样率样本仍然包含转换所需的信息。但对于原始录音过程中已经引入的混叠，数字滤波器通常无法将其与所需的信号成分区分开来。\n\n在照相机中，镜头、传感器像元孔径、彩色滤光片阵列以及可能配备的光学低通滤波器，共同影响着采样过程。当重复的织物纹理、屋瓦和精细建筑图案投影形成的细节超出传感器的分辨能力时，就可能产生摩尔纹。光学低通滤波器会在精细细节到达采样网格之前，有意将其扩散。一些照相机为了保留锐度，不采用作用较强的光学低通滤波器，代价是在某些场景条件下出现混叠的可能性更高。\n\n彩色滤光片阵列使情况更加复杂，因为不同颜色分量是在不同的空间位置测量的。常见的拜耳排列将一半感光位置分配给绿色，另外四分之一分配给红色，四分之一分配给蓝色。去马赛克处理根据这些测量值估算全彩像素，但精细的空间结构可能被误判为颜色变化，从而产生伪色。数字校正或许能减轻可见的伪影，但这种歧义已经存在于测量数据之中。\n\n图像处理中的尺寸调整、旋转和几何变形，都需要根据输出像素映射到源图像的方式进行滤波。大幅缩小图像时，需要覆盖更大范围的源图像区域；而在透视变换中，不同输出位置可能需要覆盖不同的源图像区域。仅仅使用固定的小型插值核，即使输出在局部看起来平滑，也仍可能留下混叠。计算机视觉中也存在类似问题，图像金字塔和分辨率变化都会影响特征检测与识别。在这些情境中，抗混叠的作用是使图像结构在不同尺度下保持一致的解读，而不仅仅是改善其在显示器上的外观。"
    },
    {
      "heading": "历史发展与质量评估",
      "text": "抗锯齿的理论基础早于数字图形技术。哈里·奈奎斯特、弗拉基米尔·科捷尔尼科夫、克劳德·香农等人在通信与采样领域的研究，确立了采样信号能够表示连续信号所需满足的条件。在图形学中，实际难题在于如何将这些理论应用于几何可见性判断和图像合成。渲染多边形并不只是对平滑函数求值：多边形的边界会产生不连续性，而在一个像素内，多个表面可能相互遮挡，争夺可见区域。\n\n富兰克林·克劳于 1977 年发表的关于计算机生成图像中走样现象的论文，是早期探讨这一问题的重要研究。埃德温·卡特穆尔于 1978 年提出了一种带有抗锯齿功能的隐藏面消除算法，将可见性与覆盖率结合起来处理。兰斯·威廉姆斯于 1983 年引入了 mipmap 技术，为纹理缩小提供了一种实用的预滤波表示。1984 年，罗伯特·库克、托马斯·波特和洛伦·卡彭特提出的分布式光线追踪展示了如何利用分布式采样处理多种成像效果；同年，卡彭特提出的 A 缓冲区则为处理亚像素覆盖率与可见性提供了另一种重要方法。\n\n此后，实时图形技术的发展围绕着可用硬件展开。与完整的超采样相比，多重采样降低了平滑几何边缘的成本，而纹理过滤则获得了专用硬件的支持。可编程图形流水线使图像空间中的边缘检测与重建更容易实现。后来，时间累积技术因能够跨帧复用样本而受到重视，既能降低重复着色的开销，也能解决空间方法未能消除的某些不稳定现象。这些进展并未使早期方法过时：现代渲染流水线经常将其中多种方法结合使用。\n\n评估方法必须与所研究的伪影相匹配。静态截图能够呈现阶梯状边缘和模糊，却无法反映边缘爬动、闪烁、重影，也无法体现运动后达到收敛所需的时间。因此，测试场景宜包含细线、植被、运动中的高对比度边缘、以倾斜视角观察的精细纹理、镜面反射表面、遮挡解除区域以及透明物体。采用密集采样并进行适当滤波生成的参考图像有助于比较，但其滤波器、曝光、色彩处理和运动积分方式必须与预期输出相匹配。\n\n同样，性能比较也不能只看名义上的采样数。“四样本”配置可能指四个可见性样本共用一个着色结果，也可能指四个独立着色的样本，或是在时间上累积的样本。相关成本包括执行时间、内存容量、带宽、延迟，以及与其他渲染通道之间的相互影响。图像质量指标可以量化结果与参考图像之间的差异，但偏重平滑度的指标可能更青睐模糊结果，而非保留细节的结果；逐帧评估的指标则可能遗漏时间上的不稳定性。因此，抗锯齿质量需要从多个维度评估：抑制虚假结构的能力、保留可分辨细节的能力、运动过程中的稳定性、对变化的响应能力，以及实现这些效果所需的资源。"
    }
  ],
  "links": [
    "aliasing",
    "computer-graphics",
    "nyquist-shannon-sampling-theorem",
    "pixel",
    "fourier-transform",
    "convolution",
    "color-space",
    "rasterization",
    "ray-tracing",
    "graphics-processing-unit",
    "shader",
    "machine-learning",
    "deep-learning",
    "camera",
    "image-processing",
    "computer-vision"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}