博客
关于我
iOS面试题:什么是离屏渲染?什么情况下会触发?该如何应对?
阅读量:518 次
发布时间:2019-03-07

本文共 1046 字,大约阅读时间需要 3 分钟。

离屏渲染(Off-Screen Rendering)是一种常见的图形处理技术,主要用于某些特定场景下的渲染工作。在整个渲染过程中,离屏渲染会在当前屏幕缓冲区之外开辟一个新的缓冲区进行操作。这种方式能有效支持一些需要复杂图形处理的场景,比如圆角处理、图层蒙版、阴影渲染以及光栅化操作。

为什么离屏渲染会被触发?

这些离屏渲染的触发通常与两个核心因素有关:

  • 图层属性触发

    • 圆角处理:如果设置了 masksToBounds = YEScornerRadius 大于0,那么这时候会触发离屏渲染。
    • 蒙层遮挡:如果图层设置了 layer.mask,也会触发离屏渲染。
    • 光栅化:在某些情况下,尤其是当需要进行深度的光栅化处理时,也会触发离屏渲染。
  • 阴影渲染

    阴影的处理虽然会触发离屏渲染,但如果使用了 shadowPath 属性,则可能不会引发离屏渲染。最终的效果是根据具体的实现方式决定的。

  • 需要注意的是,某些操作会强制使用离屏渲染以确保图形的正确显示。例如,当使用CoreGraphics绘制带有圆角的图形时,也会触发离屏渲染。这种机制确保了结果的准确性,但也可能带来性能开销。

    为什么要避免离屏渲染?

    离屏渲染虽然可以提高渲染质量,但同时也会导致显著的性能开销。以下是主要的原因:

  • 上下文切换开销

    离屏渲染需要切换图形上下文环境。首先从当前屏幕上下文切换到离屏渲染的上下文,完成后又要切换回当前屏幕上下文。这种切换操作会额外消耗资源。

  • 显示同步延迟

    由于垂直同步(VSync)的机制,每个帧之间的处理必须严格符合显示器的刷新率。如果CPU或GPU在HSync时间内未能完成内容提交,帧会被丢弃,导致界面卡顿。

  • 帧优化问题

    不是所有场景都需要离屏渲染。特别是当只需要简单的渲染操作时,直接在当前屏幕缓冲区进行渲染会更加高效。

  • 离屏渲染的效益

    离屏渲染主要因为以下原因被设计出来的:

  • 图形处理复杂性

    某些图形特效(如圆角、蒙层遮挡、阴影、光栅化等)无法在当前屏幕缓冲区内高效完成。

  • 图形质量和稳定性

    离屏渲染能提供更高的渲染质量,同时确保图像的完整性和稳定性。

  • 不过,以今天 GPUs 的性能来看,用户应该尽可能避免使用离屏渲染。为了避免触发离屏渲染,可以暂时不设置需要圆角处理的图形属性,或者在不需要阴影效果的时候,不设置阴影。对于遮层操作,可以使用合成效果来实现,以减少离屏渲染的开销。

    总体而言,离屏渲染是一种强大的工具,但在优化用户体验时需要谨慎使用,避免不必要的性能开销。

    转载地址:http://lfdcz.baihongyu.com/

    你可能感兴趣的文章
    NISP国家信息安全水平考试,收藏这一篇就够了
    查看>>
    NIS服务器的配置过程
    查看>>
    Nitrux 3.8 发布!性能全面提升,带来非凡体验
    查看>>
    NiuShop开源商城系统 SQL注入漏洞复现
    查看>>
    NI笔试——大数加法
    查看>>
    NLog 自定义字段 写入 oracle
    查看>>
    NLog类库使用探索——详解配置
    查看>>
    NLP 基于kashgari和BERT实现中文命名实体识别(NER)
    查看>>
    NLP 模型中的偏差和公平性检测
    查看>>
    Vue3.0 性能提升主要是通过哪几方面体现的?
    查看>>
    NLP 项目:维基百科文章爬虫和分类【01】 - 语料库阅读器
    查看>>
    NLP_什么是统计语言模型_条件概率的链式法则_n元统计语言模型_马尔科夫链_数据稀疏(出现了词库中没有的词)_统计语言模型的平滑策略---人工智能工作笔记0035
    查看>>
    NLP三大特征抽取器:CNN、RNN与Transformer全面解析
    查看>>
    NLP学习笔记:使用 Python 进行NLTK
    查看>>
    NLP度量指标BELU真的完美么?
    查看>>
    NLP的不同研究领域和最新发展的概述
    查看>>
    NLP的神经网络训练的新模式
    查看>>
    NLP采用Bert进行简单文本情感分类
    查看>>
    NLP问答系统:使用 Deepset SQUAD 和 SQuAD v2 度量评估
    查看>>
    NLP项目:维基百科文章爬虫和分类【02】 - 语料库转换管道
    查看>>