《表1 TAA与本文算法性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于循环神经网络的时域反走样算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文研究的目的在于使用深度学习方法提升时域反走样的效果，我们将分别统计本文算法及TAA算法在所采集数据集上的RMSE指标，来统计逐像素数值上的差异。表1为TAA及本文算法进行的定量比较，可以看出本文算法相对于原始的算法，RMSE数值更低，这意味着本文算法结果与Ground Truth差异更小，即在统计上本文算法优于TAA。而图3在实际场景中的测试则可以看出，TAA算法对原图产生了一定的反走样效果，几何边缘锯齿现象减弱，但整体画面更加模糊；相比之下，本文算法结果既保留了清晰的几何边缘，在纹理上也保持了原有的清晰度，产生了更接近Ground Truth的高质量反走样结果。