本章深入探讨计算机图形学中的高级着色技术。我们将从插值技术的数学基础开始，深入理解GPU如何在三角形内部进行属性插值。随后，我们将探索高级纹理映射技术，包括MIP映射、各向异性过滤等现代GPU技术。最后，我们将学习程序化纹理生成和着色器优化技术，为实现高性能渲染打下基础。
在三角形内部进行插值是光栅化的核心操作。对于三角形ABC和内部点P，重心坐标$(u, v, w)$定义为：
\[P = u \cdot A + v \cdot B + w \cdot C\]其中 $u + v + w = 1$。
重心坐标具有直观的几何解释：
重心坐标的物理意义可以理解为质点系统：如果在三个顶点分别放置质量$u$、$v$、$w$的质点，则系统的质心恰好位于点P。这解释了”重心”这一名称的由来。
点P在三角形内部的充要条件是： \(u \geq 0, \quad v \geq 0, \quad w \geq 0\)
当某个坐标为0时，P位于对应顶点的对边上；当两个坐标为0时，P位于相应的顶点上。
方法1：面积比
\[u = \frac{\text{Area}(PBC)}{\text{Area}(ABC)}, \quad v = \frac{\text{Area}(APC)}{\text{Area}(ABC)}, \quad w = \frac{\text{Area}(ABP)}{\text{Area}(ABC)}\]面积计算使用叉积：对于2D三角形ABC，其有向面积为： \(\text{Area}(ABC) = \frac{1}{2}(B_x - A_x)(C_y - A_y) - (C_x - A_x)(B_y - A_y)\)
方法2：叉积形式
对于2D情况： \(u = \frac{(B-P) \times (C-P)}{(B-A) \times (C-A)}\)
这里的叉积理解为2D伪叉积：$(x_1, y_1) \times (x_2, y_2) = x_1y_2 - y_1x_2$
对于3D情况，需要投影到合适的平面： \(u = \frac{|(B-P) \times (C-P) \cdot \mathbf{n}|}{|(B-A) \times (C-A) \cdot \mathbf{n}|}\)
其中$\mathbf{n}$是三角形法向量。投影的选择原则：
| 例如：若$ | n_z | $最大，则投影到XY平面 |
方法3：直接求解线性系统
设$P = (p_x, p_y)$，可以建立方程： \(\begin{pmatrix} a_x & b_x & c_x \\ a_y & b_y & c_y \\ 1 & 1 & 1 \end{pmatrix} \begin{pmatrix} u \\ v \\ w \end{pmatrix} = \begin{pmatrix} p_x \\ p_y \\ 1 \end{pmatrix}\)
使用Cramer法则求解： \(u = \frac{\begin{vmatrix} p_x & b_x & c_x \\ p_y & b_y & c_y \\ 1 & 1 & 1 \end{vmatrix}}{\begin{vmatrix} a_x & b_x & c_x \\ a_y & b_y & c_y \\ 1 & 1 & 1 \end{vmatrix}}\)
在实际实现中，需要考虑：
| 检测条件：$ | \text{Area}(ABC) | < \epsilon$ |
对于光栅化中的大量计算，可以使用增量算法： \(u(x+1, y) = u(x, y) + \Delta u_x\) \(u(x, y+1) = u(x, y) + \Delta u_y\)
其中$\Delta u_x$和$\Delta u_y$是常数，可预计算：
边函数方法： 定义边函数$E_{AB}(x, y) = (y_A - y_B)x + (x_B - x_A)y + x_A y_B - x_B y_A$
则：
重心坐标通过边函数计算： \(u = \frac{E_{BC}(x, y)}{E_{BC}(x_A, y_A)}\)
并行化策略：
屏幕空间的线性插值在透视投影下会产生错误。这是因为透视投影是非线性变换，破坏了属性的线性关系。
考虑世界空间中的线段，其属性（如纹理坐标）线性变化。经过透视投影后：
直观例子： 想象一条铁轨向远处延伸。铁轨枕木在世界空间中等距分布，但在屏幕空间中，远处的枕木间距明显变小。如果使用屏幕空间线性插值，会错误地认为远处枕木更密集。
数学表示： 设世界空间参数$t \in [0,1]$，屏幕空间参数$s \in [0,1]$，它们的关系为： \(s = \frac{t/z_0}{t/z_0 + (1-t)/z_1}\)
这是一个有理函数，而非线性关系。
设顶点属性为$\phi_0, \phi_1, \phi_2$，视空间深度为$z_0, z_1, z_2$。
关键观察：在齐次坐标系中，属性$\phi/w$（其中$w=z$）保持线性。
推导步骤：
齐次空间的线性插值： \(\left(\frac{\phi}{z}\right)_p = u\frac{\phi_0}{z_0} + v\frac{\phi_1}{z_1} + w\frac{\phi_2}{z_2}\)
深度的倒数也线性插值： \(\frac{1}{z_p} = u\frac{1}{z_0} + v\frac{1}{z_1} + w\frac{1}{z_2}\)
恢复原始属性： \(\phi_p = \frac{\left(\frac{\phi}{z}\right)_p}{\frac{1}{z_p}} = \frac{u\frac{\phi_0}{z_0} + v\frac{\phi_1}{z_1} + w\frac{\phi_2}{z_2}}{u\frac{1}{z_0} + v\frac{1}{z_1} + w\frac{1}{z_2}}\)
硬件透视校正流程：
特殊情况处理：
// 需要屏幕空间导数的计算
vec2 dx = dFdx(texcoord); // 硬件自动处理透视校正
vec2 dy = dFdy(texcoord); // 用于MIP级别计算
屏幕空间属性：某些属性（如屏幕空间导数）不需要透视校正，使用noperspective限定符：
noperspective out vec2 screen_coord;
常见错误案例：
现代GPU使用专门的插值器硬件，这是固定功能管线的关键组件之一。
参数缓存：
插值管线：
顶点属性 → 参数计算 → 参数缓存 → 片元插值 → 属性输出
↓ ↑
梯度计算单元 扫描线生成器
对于属性$\phi$在屏幕坐标$(x,y)$的值：
\[\phi(x,y) = \phi_0 + \frac{\partial \phi}{\partial x}(x-x_0) + \frac{\partial \phi}{\partial y}(y-y_0)\]梯度计算： \(\frac{\partial \phi}{\partial x} = \frac{(\phi_1 - \phi_0)(y_2 - y_0) - (\phi_2 - \phi_0)(y_1 - y_0)}{(x_1 - x_0)(y_2 - y_0) - (x_2 - x_0)(y_1 - y_0)}\)
扫描线遍历优化：
// 沿扫描线的增量
for (x = x_start; x <= x_end; x++) {
phi += dphi_dx;
inv_w += dinv_w_dx;
}
// 换行时的调整
phi_row += dphi_dy;
inv_w_row += dinv_w_dy;
2×2 Quad并行：
导数计算： \(\frac{\partial \phi}{\partial x} \approx \phi_{x+1,y} - \phi_{x,y}\) \(\frac{\partial \phi}{\partial y} \approx \phi_{x,y+1} - \phi_{x,y}\)
定点数优化：
属性压缩：
缓存优化策略：
线性插值可能不足以表示复杂的属性变化，特别是在曲面渲染和高质量着色中。
Bézier三角形表示： 对于二次Bézier三角形，使用6个控制点： \(\phi(u,v,w) = \sum_{i+j+k=2} \binom{2}{i,j,k} u^i v^j w^k \phi_{ijk}\)
其中$\binom{2}{i,j,k} = \frac{2!}{i!j!k!}$是多项式系数。
展开形式： \(\phi(u,v,w) = u^2\phi_{200} + v^2\phi_{020} + w^2\phi_{002} + 2uv\phi_{110} + 2vw\phi_{011} + 2uw\phi_{101}\)
控制点布局：
φ200
/ \
φ110 φ101
/ \
φ020--φ011--φ002
PN三角形（Point-Normal Triangles）： 用于几何细分和光滑表面：
几何控制点： \(b_{ijk} = \frac{i\mathbf{P}_1 + j\mathbf{P}_2 + k\mathbf{P}_3}{3} + \frac{ij}{3}\mathbf{w}_{12} + \frac{jk}{3}\mathbf{w}_{23} + \frac{ki}{3}\mathbf{w}_{31}\)
其中$\mathbf{w}_{ij}$是修正向量。
法线插值： 使用二次插值保证$C^1$连续性
NURBS三角形： \(\phi(u,v,w) = \frac{\sum_{i+j+k=n} w_{ijk} \phi_{ijk} B_{ijk}^n(u,v,w)}{\sum_{i+j+k=n} w_{ijk} B_{ijk}^n(u,v,w)}\)
其中$w_{ijk}$是权重，$B_{ijk}^n$是Bernstein基函数。
误差驱动细分： 根据插值误差动态选择插值阶数：
\[E = \max_{\mathbf{p} \in T} |\phi_{linear}(\mathbf{p}) - \phi_{exact}(\mathbf{p})|\]当$E > \epsilon$时，使用高阶插值或细分三角形。
存储开销：
计算复杂度：
硬件支持：
应用场景：
纹理映射是计算机图形学中增加表面细节的核心技术。本节深入探讨高级纹理技术，包括坐标生成、过滤算法、压缩格式等现代GPU的关键特性。
纹理坐标是将二维图像映射到三维几何体的桥梁。不同的生成方法适用于不同的几何形状和应用场景。
UV展开算法：
| 能量函数：$E = \sum_T A_T \cdot | \nabla u + i\nabla v | ^2$ |
平面投影： \(u = \frac{(\mathbf{p} - \mathbf{o}) \cdot \mathbf{u}_{axis}}{scale_u}\) \(v = \frac{(\mathbf{p} - \mathbf{o}) \cdot \mathbf{v}_{axis}}{scale_v}\)
应用场景：
圆柱投影： \(u = \frac{1}{2\pi} \arctan2(y, x) + 0.5\) \(v = \frac{z - z_{min}}{z_{max} - z_{min}}\)
接缝处理：
球面投影： \(u = \frac{1}{2\pi} \arctan2(y, x) + 0.5\) \(v = \frac{1}{\pi} \arccos\left(\frac{z}{|\mathbf{r}|}\right)\)
奇异点处理：
立方体投影优化： 避免三角函数的快速方法： \(u = 0.5 + 0.5 \times \frac{-d_z}{|d_x|}\)（对于+X面）
立方体贴图（Cube Mapping）：
absX = |direction.x|
absY = |direction.y|
absZ = |direction.z|
if (absX >= absY && absX >= absZ) {
face = (direction.x > 0) ? +X : -X
}
// 类似处理Y和Z
球面环境贴图：
三平面映射（Triplanar Mapping）：
vec3 blendWeights = abs(normal);
blendWeights = normalize(max(blendWeights, 0.00001));
vec3 xaxis = texture(tex, position.yz) * blendWeights.x;
vec3 yaxis = texture(tex, position.xz) * blendWeights.y;
vec3 zaxis = texture(tex, position.xy) * blendWeights.z;
return xaxis + yaxis + zaxis;
投影纹理： 从光源视角投影： \(\mathbf{uv} = \frac{1}{2} + \frac{1}{2} \times \frac{\mathbf{P}_{light}}{w_{light}}\)
仿射变换： \(\begin{pmatrix} u' \\ v' \end{pmatrix} = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \begin{pmatrix} u \\ v \end{pmatrix} + \begin{pmatrix} t_x \\ t_y \end{pmatrix}\)
透视变换： \(u' = \frac{au + bv + c}{gu + hv + 1}\) \(v' = \frac{du + ev + f}{gu + hv + 1}\)
MIP（Multum In Parvo，”多在小中”）映射是解决纹理走样的核心技术。它通过预计算不同分辨率的纹理金字塔，在渲染时选择合适的级别。
欠采样（Undersampling）：
Nyquist-Shannon采样定理： 要完整重建信号，采样频率必须至少是信号最高频率的两倍： \(f_s \geq 2f_{max}\)
在纹理映射中：
过采样（Oversampling）：
屏幕空间导数： 使用雅可比矩阵计算纹理坐标的变化率：
\[\mathbf{J} = \begin{pmatrix} \frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\ \frac{\partial v}{\partial x} & \frac{\partial v}{\partial y} \end{pmatrix}\]像素覆盖区域估计：
各向同性估计（标准MIP）： \(\rho = \max\left(||\mathbf{J} \cdot (1, 0)^T||, ||\mathbf{J} \cdot (0, 1)^T||\right)\)
展开形式： \(\rho = \max\left(\sqrt{\left(\frac{\partial u}{\partial x}\right)^2 + \left(\frac{\partial v}{\partial x}\right)^2}, \sqrt{\left(\frac{\partial u}{\partial y}\right)^2 + \left(\frac{\partial v}{\partial y}\right)^2}\right)\)
完整LOD计算： \(\text{LOD} = \log_2(\rho \cdot \text{textureSize})\)
直观理解：如果一个屏幕像素覆盖了$2^n$个纹素，应该使用第$n$级MIP。
LOD偏移与约束： \(\text{LOD}_{final} = \text{clamp}(\text{LOD} + \text{bias}, \text{minLOD}, \text{maxLOD})\)
滤波核选择：
简单平均（Box Filter）： \(\text{MIP}_{i+1}(x,y) = \frac{1}{4}\sum_{dx,dy \in \{0,1\}} \text{MIP}_i(2x+dx, 2y+dy)\)
高斯滤波： \(w(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}\)
Lanczos滤波： \(L(x) = \begin{cases} \text{sinc}(x) \cdot \text{sinc}(x/a) & |x| < a \\ 0 & \text{otherwise} \end{cases}\)
边界处理：
在两个MIP级别之间进行线性插值：
\[\text{color} = (1-\alpha) \cdot \text{sample}(\lfloor\text{LOD}\rfloor, u, v) + \alpha \cdot \text{sample}(\lceil\text{LOD}\rceil, u, v)\]其中$\alpha = \text{fract}(\text{LOD})$。
显式导数传递：
vec4 textureGrad(sampler2D tex, vec2 uv, vec2 dPdx, vec2 dPdy)
自动导数计算： GPU在2×2 quad内使用差分： \(\frac{\partial f}{\partial x} \approx f(x+1, y) - f(x, y)\)
内存占用： 完整MIP链增加约33%的存储： \(\text{Total} = \text{Base} \times \sum_{i=0}^{\infty} \frac{1}{4^i} = \frac{4}{3} \times \text{Base}\)
紧凑布局：
+--------+----+--+-+
| Level0 | L1 |L2|3|
| +----+--+-+
| | L1 |L2|3|
+--------+----+--+-+
各向异性过滤解决了标准MIP映射在倾斜视角下的模糊问题。当纹理在不同方向上拉伸程度不同时，各向同性的MIP滤波会过度模糊。
像素在纹理空间的投影： 屏幕像素在纹理空间形成一个近似椭圆的区域。
雅可比矩阵： \(\mathbf{J} = \begin{pmatrix} \frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\ \frac{\partial v}{\partial x} & \frac{\partial v}{\partial y} \end{pmatrix}\)
形状矩阵： \(\mathbf{M} = \mathbf{J}^T \mathbf{J} = \begin{pmatrix} E & F \\ F & G \end{pmatrix}\)
其中：
特征值分解： \(\lambda_{1,2} = \frac{E + G \pm \sqrt{(E-G)^2 + 4F^2}}{2}\)
椭圆主轴：
各向异性比： \(r = \frac{a}{b} = \sqrt{\frac{\lambda_{max}}{\lambda_{min}}}\)
椭圆加权平均（EWA）： \(c = \frac{\sum_{(s,t) \in E} w(s,t) \cdot \text{texture}(s,t)}{\sum_{(s,t) \in E} w(s,t)}\)
高斯权重函数： \(w(s,t) = \exp\left(-\frac{1}{2}(s,t)\mathbf{M}^{-1}(s,t)^T\right)\)
1. Ripmap：
2. 多采样近似：
vec4 anisotropicSample(sampler2D tex, vec2 uv, vec2 ddx, vec2 ddy) {
float maxAniso = 16.0;
// 计算各向异性方向
vec2 dx = ddx * textureSize(tex, 0);
vec2 dy = ddy * textureSize(tex, 0);
float px = dot(dx, dx);
float py = dot(dy, dy);
float maxLod = 0.5 * log2(max(px, py));
float minLod = 0.5 * log2(min(px, py));
float anisoRatio = min(2.0 * (maxLod - minLod), log2(maxAniso));
float samples = exp2(anisoRatio);
// 沿主轴采样
vec2 majorAxis = (px > py) ? normalize(ddx) : normalize(ddy);
vec4 color = vec4(0.0);
for (float i = 0; i < samples; i++) {
float t = (i + 0.5) / samples - 0.5;
vec2 offset = t * majorAxis * length(ddx + ddy);
color += textureLod(tex, uv + offset, minLod);
}
return color / samples;
}
3. 硬件实现策略：
自适应采样：
LOD偏移优化： \(\text{LOD}_{aniso} = \text{LOD}_{iso} - \frac{1}{2}\log_2(\text{samples})\)
纹理压缩是平衡内存占用和视觉质量的关键技术。现代GPU在硬件级别支持实时解压。
基本思想：
数据结构（每块64位）：
color0: 16 bits (R5G6B5)
color1: 16 bits (R5G6B5)
indices: 32 bits (2 bits × 16 pixels)
颜色插值规则： 当color0 > color1：
当color0 ≤ color1（透明模式）：
压缩比：$\frac{16 \times 24}{64} = 6:1$
高级特性：
模式选择策略：
Mode 0: 3 subsets, 4-bit endpoints
Mode 1: 2 subsets, 6-bit endpoints
Mode 2: 3 subsets, 5-bit endpoints
...
Mode 7: 2 subsets, 5-bit RGBA
分区模式： 将块分为多个子集，每个子集独立插值： \(c = \sum_{i} w_i \cdot endpoint_i\)
灵活块大小：
编码原理：
根据内容类型：
性能考虑：
缓存命中率 ∝ 1/压缩后大小
带宽需求 = 采样率 × 压缩后大小
快速编码算法：
| 误差度量：$E = \sum_{i} | c_i - \hat{c}_i | ^2$ |
GPU加速编码：
虚拟纹理系统的页表管理：
\[\text{PhysicalAddr} = \text{PageTable}[\text{VirtualPage}] + \text{PageOffset}\]缺页处理的优先级计算： \(\text{Priority} = \frac{\text{ScreenCoverage}}{\text{LOD}^2}\)
Perlin噪声的构造：
其中$w_i = \text{fade}(x - \lfloor x \rfloor)$，fade函数： \(\text{fade}(t) = 6t^5 - 15t^4 + 10t^3\)
fBm (Fractional Brownian Motion)： \(f(x) = \sum_{i=0}^{n} \frac{\text{noise}(2^i x)}{2^i}\)
Turbulence函数： \(t(x) = \sum_{i=0}^{n} \frac{|\text{noise}(2^i x)|}{2^i}\)
算术强度优化：
纹理带宽优化：
分支优化： 动态分支的成本模型： \(\text{Cost} = p \cdot C_{\text{true}} + (1-p) \cdot C_{\text{false}} + C_{\text{divergence}}\)
优化策略：
工作组大小优化： 占用率计算： \(\text{Occupancy} = \frac{\text{ActiveWarps}}{\text{MaxWarps}}\)
影响因素：
内存访问模式：
本章深入探讨了高级着色技术的核心概念：
透视正确插值： \(\phi = \frac{u\frac{\phi_0}{z_0} + v\frac{\phi_1}{z_1} + w\frac{\phi_2}{z_2}}{u\frac{1}{z_0} + v\frac{1}{z_1} + w\frac{1}{z_2}}\)
MIP级别计算： \(\text{LOD} = \log_2(\max(||\frac{\partial \mathbf{u}}{\partial x}||, ||\frac{\partial \mathbf{u}}{\partial y}||) \cdot \text{textureSize})\)
Perlin噪声fade函数： \(\text{fade}(t) = 6t^5 - 15t^4 + 10t^3\)
fBm分形： \(f(x) = \sum_{i=0}^{n} \frac{\text{noise}(2^i x)}{2^i}\)
练习5.1：重心坐标计算 给定三角形顶点$A(0,0)$，$B(4,0)$，$C(2,3)$和点$P(2,1)$，计算P的重心坐标。
提示：使用面积法或叉积法计算。
练习5.2：透视插值误差 考虑一条从$z=1$到$z=10$的线段，其纹理坐标从0到1线性变化。在屏幕空间$x=0.5$处，比较线性插值和透视正确插值的结果。
提示：设置合适的投影矩阵参数。
练习5.3：MIP级别选择 纹理大小为1024×1024，当前像素的纹理坐标导数为$\frac{\partial u}{\partial x} = 0.01$，$\frac{\partial v}{\partial x} = 0.02$，$\frac{\partial u}{\partial y} = 0.015$，$\frac{\partial v}{\partial y} = 0.01$。计算应选择的MIP级别。
提示：使用最大各向异性导数。
练习5.4：自定义插值基函数 设计一个C²连续的插值基函数$h(t)$，满足$h(0)=0$，$h(1)=1$，$h’(0)=h’(1)=0$，$h’‘(0)=h’‘(1)=0$，并与Perlin的fade函数比较。
提示：考虑7次多项式。
练习5.5：各向异性采样优化 给定纹理空间的雅可比矩阵$\mathbf{J} = \begin{pmatrix} 2 & 1 \ 0 & 0.5 \end{pmatrix}$，设计一个采样策略，使用最少的采样点覆盖95%的能量。
提示：分析椭圆的主轴。
练习5.6：虚拟纹理缓存策略 设计一个虚拟纹理系统的页面替换算法，考虑：页面大小128×128，物理内存可存储256页，每帧预测未来3帧的访问模式。
提示：结合LRU和预测信息。
练习5.7：着色器自动优化 给定着色器代码片段，设计一个优化流程，目标是减少50%的纹理带宽。考虑纹理重用、计算与访存平衡等因素。
提示：构建数据依赖图。
normalize(normal + tangent)