Формування зображень з використанням адаптивного суперсемплінгу із перекриттям тайлів

Abstract

The article proposes a new method of adaptive tile overlapping supersampling (AOTSS). The method is based on dividing the image into square tiles with an additional overlap zone, which eliminates artifacts at the boundaries of adjacent computational blocks. A cubic mixing weight function is used for a smooth transition between tiles. Adaptive distribution of computational resources is implemented through a complexity function that takes into account the intensity gradient, scene depth variation, and edge density. The number of subpixel samples automatically increases in complex areas and decreases in homogeneous areas, which reduces the overall computational load. The mathematical model confirms that the error decreases inversely proportional to the square root of the number of samples, and the tile artifact is eliminated with increasing overlap width. Comparative analysis with MSAA, SSAA, and TAA methods demonstrates the advantages of the proposed approach in terms of quality and performance. The method is promising for integration into GPU-oriented real-time rendering pipelines.

У статті запропоновано новий метод адаптивного суперсемплінгу з перекриттям тайлів (AOTSS). Метод базується на розбитті зображення на квадратні тайли з додатковою зоною перекриття, що усуває артефакти на межах суміжних обчислювальних блоків. Для плавного переходу між тайлами використовується кубічна вагова функція змішування. Адаптивний розподіл обчислювальних ресурсів реалізується через функцію складності, яка враховує градієнт інтенсивності, варіацію глибини сцени та щільність країв. Кількість субпіксельних вибірок автоматично збільшується у складних ділянках і зменшується у однорідних зонах, що знижує загальне обчислювальне навантаження. Математична модель підтверджує, що похибка зменшується обернено пропорційно кореню з кількості семплів, а тайловий артефакт усувається зі зростанням ширини перекриття. Порівняльний аналіз із методами MSAA, SSAA та TAA демонструє переваги запропонованого підходу за співвідношенням якості та продуктивності. Метод є перспективним для інтеграції у GPU-орієнтовані пайплайни рендерингу реального часу.