CARLA模拟器中UE5运动模糊导致的视觉伪影问题分析

问题现象描述

在CARLA自动驾驶模拟器项目中，使用Unreal Engine 5.3和5.5版本时，无论是编辑器环境还是打包后的版本，都观察到了明显的视觉伪影现象。这些伪影主要表现为抖动噪声(dithering artifacts)，在低分辨率图像中尤为明显。

从技术截图可以看到，画面中出现了不规则的像素点阵分布，特别是在运动模糊效果应用区域，这种噪声严重影响了视觉质量和后续计算机视觉算法的输入质量。

技术背景分析

运动模糊是现代游戏引擎中常见的一种后处理效果，它通过模拟真实相机在曝光时间内物体移动产生的模糊效果，增强画面的动态真实感。在Unreal Engine中，运动模糊通常通过以下技术实现：

1. 基于速度缓冲区的处理：引擎首先计算每个像素在屏幕空间中的运动速度，生成速度图
2. 多重采样累积：根据运动速度，对相邻帧的像素进行加权混合
3. 时序重投影：利用前一帧的信息来增强当前帧的模糊效果

在CARLA这类自动驾驶模拟器中，高质量的图像输出至关重要，因为：

• 这些图像常用于训练和测试自动驾驶算法
• 视觉伪影可能导致算法误判
• 低光照条件下伪影更加明显

问题成因推测

根据现象描述和技术背景，可能导致这种抖动伪影的原因包括：

1. 时间性抗锯齿(TAA)与运动模糊的交互问题：UE5中TAA和运动模糊的协同工作可能产生时序不稳定
2. 低分辨率下的量化误差：运动向量计算在低分辨率下精度不足
3. 半精度浮点计算：某些中间计算可能使用了半精度浮点，导致精度损失
4. 后处理顺序问题：运动模糊与其他后处理效果(如Bloom、AO)的处理顺序不当

临时解决方案

项目组目前采用的临时解决方案是完全禁用运动模糊效果。这一方案虽然消除了伪影，但也牺牲了画面的动态真实感，特别是在高速运动场景中。

潜在改进方向

针对这一问题，可以考虑以下技术改进方案：

1. 运动模糊质量参数调整：精细调节运动模糊的采样数和模糊半径
2. 自定义运动向量计算：重写运动向量生成逻辑，提高低分辨率下的精度
3. 后处理管线优化：调整各后处理效果的顺序和交互方式
4. 分辨率自适应算法：根据输出分辨率动态调整运动模糊参数

对自动驾驶模拟的影响

视觉伪影问题在自动驾驶模拟中影响重大：

• 可能干扰基于摄像头的感知算法训练
• 影响传感器仿真的真实性
• 在夜间或低光照条件下问题更加突出
• 可能导致模拟环境与真实世界的域差距(domain gap)增大

结论

CARLA模拟器中出现的UE5运动模糊伪影问题是一个典型的渲染管线问题，需要在保持视觉质量与计算效率之间找到平衡。项目组采取的禁用方案虽然直接有效，但从长远来看，需要更精细的技术方案来解决这一渲染质量问题，以确保模拟输出的可靠性和真实性。