混疊

混疊是當你對場景取樣得太粗、無法擷取其細節時所出現的問題：細節並未消失，而是偽裝成一種粗糙、虛假、原本不在場景中的樣式。最經典的日常版本是馬車輪效應（wagon-wheel effect），即一個快速旋轉的輪子以較慢的幀率拍攝時，看起來像在緩慢旋轉或倒轉。在靜止影像中它表現為摩爾紋（moire，細密織物或遠處磚牆上閃爍的漣漪）以及沿平滑斜線出現的鋸齒階梯邊緣（jaggies）。

成因是相對於奈奎斯特極限的欠取樣。取樣定理說，對於所含的最高空間頻率，你每個週期必須取超過兩個取樣；當場景含有高於取樣率一半的頻率時，那些頻率會折返，與真正的較低頻率變得無法區分——不同的輸入彼此互為別名（alias），這正是名稱的由來。由於虛假的樣式如今是一個低頻，取樣後便無法移除：資料一旦記錄下來，高頻原始訊號與它的低頻別名在數學上就是相同的取樣，因此再多的後處理都無法把它們分開。

既然事後無法修補，混疊就必須在取樣之前以抗鋸齒（anti-aliasing）來預防：先低通濾波（模糊）訊號以移除高於奈奎斯特極限的頻率，再取樣。相機在感光元件前使用光學抗鋸齒濾鏡，並對每個像素的有限面積積分光線；繪圖引擎以超取樣（以更高解析度繪製再平均縮小）或多重取樣抗鋸齒處理；正確的影像縮小會在次取樣前先模糊。同樣的原理瀰漫於深度視覺：帶步幅的卷積與池化是會造成混疊的降取樣步驟，這也是為何抗鋸齒（模糊池化，blur-pooling）的降取樣能改善 CNN 的平移一致性。因此混疊不是表面的小困擾，而是「取樣能忠實記錄什麼」這件事上的根本訊號處理極限。