El suavizado temporal ( TAA ) es una técnica de suavizado espacial para videos generados por computadora que combina información de fotogramas anteriores y el fotograma actual para eliminar irregularidades en el fotograma actual. En TAA, cada píxel se muestrea una vez por cuadro, pero en cada cuadro la muestra se encuentra en una ubicación diferente dentro del píxel. Los píxeles muestreados en fotogramas anteriores se combinan con los píxeles muestreados en el fotograma actual para producir una imagen suavizada. Aunque este método hace que TAA logre un resultado comparable al supermuestreo , la técnica inevitablemente provoca imágenes fantasma y borrosidad en la imagen. [1]
Antes del desarrollo de TAA, MSAA era la técnica de suavizado dominante. MSAA toma muestras (renderiza) cada píxel varias veces en diferentes ubicaciones dentro del cuadro y promedia las muestras para producir el valor de píxel final. Por el contrario, TAA muestrea cada píxel solo una vez por cuadro, pero muestrea los píxeles en diferentes ubicaciones en diferentes cuadros. Esto hace que TAA sea más rápido que MSAA. En partes de la imagen sin movimiento, TAA calcula efectivamente MSAA en múltiples fotogramas y logra la misma calidad que MSAA [ opinión ] con un menor costo computacional.
Tanto TAA como FXAA muestrean cada píxel solo una vez por fotograma, pero FXAA no tiene en cuenta los píxeles muestreados en fotogramas anteriores, por lo que FXAA es más simple y rápido, pero no puede lograr la misma calidad de imagen que TAA [ opinión ] o MSAA.
Se puede muestrear los píxeles en una posición diferente en cada cuadro agregando una "jitter" por cuadro al renderizar los cuadros. La "jitter" es un desplazamiento 2D que desplaza la cuadrícula de píxeles, y sus magnitudes X e Y están entre 0 y 1. [2] [3]
Al combinar píxeles muestreados en cuadros anteriores con píxeles muestreados en el cuadro actual, se debe tener cuidado para evitar mezclar píxeles que contengan diferentes objetos, lo que produciría imágenes fantasma o artefactos borrosos por movimiento. Las diferentes implementaciones de TAA tienen diferentes formas de lograrlo. Los métodos posibles incluyen:
DLSS de Nvidia opera con principios similares a TAA. Al igual que TAA, utiliza información de fotogramas anteriores para producir el fotograma actual. A diferencia de TAA, DLSS no muestra cada píxel en cada cuadro. En cambio, muestra diferentes píxeles en diferentes fotogramas y utiliza píxeles muestreados en fotogramas anteriores para completar los píxeles no muestreados en el fotograma actual. DLSS utiliza el aprendizaje automático para combinar muestras en el fotograma actual y en fotogramas pasados, y puede considerarse como una implementación TAA avanzada. [4] [5]