【GDC 2017】Hashed Alpha Testing

今天来分享一下GDC2017上给出的一种优化Alpha Test表现的方案，这种方案借助一套简单的随机算法，以微小的额外消耗，优化了Alpha Test方案随着距离拉远效果下降明显的问题，原文地址在文末的链接中可以找到。

Alpha Test相对于Alpha Blend而言，性能较好（PC端），且效果不受渲染顺序影响，通过Alpha-to-coverage还可以支持MSAA下的Alpha Test效果。

但是这个方案的问题在于，随着距离拉远，覆盖像素数目减少，导致采样结果并不能很好的表示整体形状。

这里提出了一种新的方案，跟此前使用固定值作为Alpha Test的Threshold不同，这里采用一个随机值，为了使得两帧之间的随机值相同，避免闪烁，常用的方案是用hash值来代替。

hash值是一个基于固定算法，固定输入下得到的一个计算结果，具有随机的特性，却不会随时间变化（准确来说是高频变化，当然，这是理想情况下）。

优秀的hash算法需要具备如下几项特征：

1. 在给定输入下，输出是稳定的
2. 输出数据处于一个有限范围内
3. 输出数据的概率分布是均匀的

想要保证输出稳定，首先要考虑的是输入数据是稳定的，否则当变化时就会导致结果变化，从而触发闪烁。

一个可以采取的做法是，将高频变化通过一个倍率降低为低频变化，如上图所示，当然这种做法对效果有一些影响，如下图所示：

可以考虑对坐标进行离散化来得到稳定结果，就需要在上述的一些变化情形下都有稳定结果。

通过对比，贴图空间坐标（UV）与模型空间坐标是比较合适的，考虑离线计算（奇怪，难道UV不能离线计算？），可以选择模型空间。

对A2C的效果也有增强，此外在开启TAA之后，效果会更好：

参考

[1]. Hashed Alpha Testing