Antialiasing

Antialiasing：用像素内随机样本降低锯齿并正确输出亮度，以公式、章专属交互和可重放故障证据独立重写。

学习目标

能说明Antialiasing中的“用像素内随机样本降低锯齿并正确输出亮度”，并指出公式中每个量的空间、单位或概率含义
能比较正常基线与“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”反例，定位固定随机种子的均值、边缘方差和量化前后通道值中的首个差异
能操作三个章专属实验，让samples_per_pixel、随机采样、gamma同时具备解释、视觉和练习证据
能修改最小实现、固定输入重放，并判断“Antialiasing的输入、公式中间量、输出与恢复结果可用同一基线复算”是否重新成立

从一个会失败的图像实验开始

Antialiasing要回答的不是“这个名词是什么”，而是：在固定输入下，如何验证“用像素内随机样本降低锯齿并正确输出亮度”，并让一个反例可重复地推翻错误实现？先写下预期像素、几何或估计量，再运行基线；只要固定随机种子的均值、边缘方差和量化前后通道值无法指出差异来自哪一步，图像看起来正确也不能通过。

本页的不变量是：Antialiasing的输入、公式中间量、输出与恢复结果可用同一基线复算。反例“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”只改变一个条件，因而正常、故障与恢复三次运行应能用同一输入直接比较。

原版、版次与事实来源

Antialiasing以官方4.0.2全文核对实现顺序、公式与调试边界，并以官方源码仓库交叉检查可编译接口。课程示例为独立教学重写；固定版本后不把Vulkan、GPU管线或其他书的模板倒灌进这个纯C++路径追踪器。

六个检查词

、、、、、。这些词共同约束用像素内随机样本降低锯齿并正确输出亮度，每个词都必须落到公式、交互状态或可重放输出，不能只出现在术语表。

原书单元与独立机制解释

samples_per_pixel 决定每像素估计器的样本数，随机采样把射线起点分布到像素区域，gamma 校正则在平均线性颜色后再映射到显示空间。先开方再平均会引入系统性偏差。

本单元的正式坐标是samples_per_pixel、随机采样、gamma。验证Antialiasing时，先制造“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”，再检查固定随机种子的均值、边缘方差和量化前后通道值能否把错误定位到用像素内随机样本降低锯齿并正确输出亮度的首个分叉。

\bar C=\frac1N\sum_{i=1}^{N}C_i,\qquad C_{display}=\sqrt{\bar C}

先预测，再操作三个章专属实验

分步1 / 3

1. 概念与因果路径

在Antialiasing中选择任一正式坐标，沿机制链查看它的输入、状态变化和可推翻探针。

射线、交点与章节机制

Antialiasing

沿一条可见射线检查用像素内随机样本降低锯齿并正确输出亮度，改变t时只移动采样点，不偷偷改变原点或方向。

正式概念坐标

射线参数 t

Antialiasing / samples_per_pixel

可推翻探针：固定随机种子的均值、边缘方差和量化前后通道值

版本坐标：Peter Shirley、Trevor David Black、Steve Hollasch《Ray Tracing in One Weekend》4.0.2。实验状态只解释本章因果合同，不替代官方C++源码。

最小可重现实验

color sum(0,0,0);
for (int s = 0; s < samples_per_pixel; ++s)
  sum += ray_color(camera.sample_ray(i, j), world, max_depth);
color linear = sum / samples_per_pixel;
write_color(out, color(std::sqrt(linear.x()), std::sqrt(linear.y()), std::sqrt(linear.z())));

运行Antialiasing时固定随机种子、输入几何、坐标约定和数值精度；记录编译命令或算法版本、输出摘要与失败条件。实验输出若依赖隐藏全局状态，必须先消除该依赖再比较。

练习与答案

练习

问题 1：公式与边界。 怎样用一个数值样本证明 $\bar C=\frac1N\sum_{i=1}^{N}C_i,\qquad C_{display}=\sqrt{\bar C}$ 中的量没有混用空间、单位或概率密度？

问题 2：正式坐标。 samples_per_pixel、随机采样、gamma如何进入可操作验证？

samples_per_pixel：在专属实验中选中该节点，保存输入与固定随机种子的均值、边缘方差和量化前后通道值，注入“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”后恢复并重放。
随机采样：在专属实验中选中该节点，保存输入与固定随机种子的均值、边缘方差和量化前后通道值，注入“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”后恢复并重放。
gamma：在专属实验中选中该节点，保存输入与固定随机种子的均值、边缘方差和量化前后通道值，注入“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”后恢复并重放。

问题 3：故障恢复。 如何证明“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”已经真正修复？

本章回顾

掌握Antialiasing意味着能将“用像素内随机样本降低锯齿并正确输出亮度”写成明确公式或算法，能操作正式坐标，能制造“每个像素复用相同随机偏移，或在样本累加前执行gamma变换”，还能凭固定随机种子的均值、边缘方差和量化前后通道值恢复同输入结果，而不是把一段Vulkan生命周期模板换上本章标题。

名词解释

本章出现的专业名词，用大白话再讲一遍。

samples_per_pixel: samples_per_pixel在Antialiasing中用于用像素内随机样本降低锯齿并正确输出亮度；应由固定随机种子的均值、边缘方差和量化前后通道值确认，而不是只凭术语出现。
随机采样: 随机采样在Antialiasing中用于用像素内随机样本降低锯齿并正确输出亮度；应由固定随机种子的均值、边缘方差和量化前后通道值确认，而不是只凭术语出现。
gamma: gamma在Antialiasing中用于用像素内随机样本降低锯齿并正确输出亮度；应由固定随机种子的均值、边缘方差和量化前后通道值确认，而不是只凭术语出现。
ray parameter: ray parameter：射线参数决定半直线上采样点与前后顺序。
hit interval: hit interval：命中区间排除相机背后、过近或更远的候选根。
sample estimator: sample estimator：样本估计器用明确PDF和权重近似目标积分。

阅读导航

← Surface Normals and Multiple Objects × Moving Camera Code Into Its Own Class · Diffuse Materials →