Optimize Triangle Mesh Vertex
仅供个人学习使用，请勿转载，勿用于任何商业用途。
对同一个triangle mesh，用TriangleList还是TriangleStrip渲染比较快，快在哪里？大部分人都会不加思索的认为strip比较快，原因在于strip有更好的缓存。这样的回答其实是完全错误的。对以相同方式排列的mesh来说，strip唯一的优点只在于需要的索引比较少，对n个三角形只需要n+2个索引，而list需要n*3个。虽然较少的数据意味着更低的带宽占用，但实际情况下，却对渲染影响不大，无论list和strip，索引本身的数据量就不大（与vertex相比），因此微小的优势几乎很难察觉出来。
那么对同一个mesh，不同的渲染方法会不会有差别，如果有，差别在哪里呢？答案显然是肯定的，否则就不会有这篇文章的存在。真正决定一个mesh渲染效率的是其索引排列方式或者说三角形排列顺序，优秀的排列方式可以明显减少顶点和像素处理的操作。
这就要从硬件的构架上说起了，显卡上除了众所周知的显存外，在GPU芯片上还有一块非常快的缓存，根据资源类型的不同，这块缓存又分为纹理缓存，顶点缓存等等。这里我们主要关心顶点缓存。下图是nvidia G80构架之前的GPU流水线:
可以看到顶点缓存有两块(vCache)，一块称为pre-T&L cache另一块称为Post-T&L Cache。Pre-cache中储存了待处理的顶点，post cache中保存了经过变换（也就是Vertex shader之后）的顶点。正是由于这两块缓存的存在，才让优化成为了可能。两块cache都是FIFO的队列，假设要渲染如下图所示的三角形mesh：
顶点索引为：
1,2,15|15,2,16|2,3,16|16,3,17 ………… 15,16,29|29,16,30………………..
vcache的状态如下：
1,2,15 ---> 1,2,15,16 ---> 1,2,15,16,3----> 1,2,15,16,3,17 ---> …………--->xx,xx,xx,15,16,29 ----> xx,xx,15,16,29,30--->…………….
同一个顶点只会在vcache中出现一次，当渲染第二个三角形时，顶点15和2已经在pre-cache中， GPU不需要对他们做进一步查找，只需请求把顶点16加载到pre-cache中，降低了带宽需求，减小了vertex fetch的延迟。这还不是最重要的，更大的加速在于当GPU准备处理顶点15和2时，发现这2个顶点已经存在于post-cache中，于是它会完全跳过vertex shader的计算，直接使用post-cache中的结果！通过对封闭mesh的分析可以发现通常一个顶点会被5~6个三角形共享(比如图中的顶点16)，这意味着在最理想的索引方式下，这个顶点只会被处理一次，当然最糟的情况则是6次，两者之间有巨大的差别。由于vcache容量的限制，可以看到当渲染第二排三角形时，顶点15，16已经被弹出了缓冲，因此GPU将进行重复计算。
我们已经知道了vcache的原理，如何充分利用他计算出最优的三角形索引顺序呢？以上面的规则三角形网格为例，理想的索引应该是这样的：
1,2,3|4,5,6|7,8,9|10,11,12|13,14,14| + |1,2,15|15,2,16|2,3,16|………………………
为了方便讨论，我把索引写成了2段。如果你细心的话就会发现第一段实际上是一系列退化三角形，他们并不会产生任何图形，但恰好把第一排的顶点全部放入了缓冲中。当渲染实际三角形时，每一排的顶点将依次加载到vcache中：
vcache state after degenerate triangle：1,2,3,4,5,6,7,8,9,10,11,12,13,14;
vcache state after first line of triangle:1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23……….29;
vcache state after second line:15,16,17,18,19,20,21……….29,30,31,32……..44
显然，这就是最理想的索引顺序,所有顶点都被完全复用。不过实际情况要复杂的多，显然，这里假设vcache至少能容纳28个顶点，此外这个算法严重依赖于vcache大小，最后，这个算法只对规则mesh比较有效（非常适合于地形J）。对于第一个问题，在dx9上可以通过IDirect3DQuery9查询VCACHE获得实际vcache的大小，不过ati的卡从来不支持这个查询。对于dx10来说，在beta的时候有一个类似查询函数，可惜在后面的版本中删除了。不过我们可以确定的是对于nvidia Geforce 4～7系列的显卡，vcache大小至少为24，8系列至少为32。而对于ati来说，除dx10级别的卡以外，大部分的vcache只有14:( 。显然，对于vcache只有24的情况来说，上面网格的索引计算就变得有些复杂了，一种可行的方法是把网格分为两个子列来渲染，对于复杂模型来说，前人们已经发明了很多优秀的算法Hoppe的研究成果产生了dx中optimizeMesh这样的函数，Forsyth还发明出了一种不依赖于vcache大小的算法。最后由于triangle list索引本身的灵活性，更容易排列出最优的三角形顺序。
上面只讨论了mesh优化的一方面，称为顶点级优化，还有一种近年来伴随early－z出现的像素级优化。不过由于这种算法本身比较复杂，这里只介绍基本原理。对于同一个mesh来说，假设有a，b两个朝向相同，但是相互遮挡的面，假设a挡住b，那么在渲染时，如果先渲染a，就可以让b所产生的像素被early-z剔除，避免无用的pixel shader计算。
顶点优化的作用和意义是明显的，可以在基本不修改现有程序的情况下，得到显著性能提升。那么我们应该如果优化呢？幸运的是已经有这样的优化工具了，前面提到的OptimizeMesh以及nvidia的NvTriStrip工具都实现了顶点级的优化，而ati的Tootle工具不但实现了顶点优化，还采用了一些更先进的算法进行模型遮挡优化。
最后需要说明的是上面的讨论大部分基于dx9级别的硬件构架，对于dx10级别的显卡来说，由于统一构架带来的优点，硬件本身有更好的缓存机制，但无论如何，在模型预处理过程中，优化顶点都是非常值得的。回到开头的问题，其实无论list还是strip，索引储存方式本身并不会带来很大区别，而索引本身的组织方式才是关键，由于list更容易优化，所以对现代硬件来说，优化之后的list通常更快。
