這回還是繼續把以前實作過的效果移植到Vulkan程式上，同樣的事情做兩次就不太有趣了，所以這回稍微變化一下。AO的計算還是沿用Scalable Ambient Obscurance (SAO)中的主要步驟，將AO結果模糊化的部分則參考了HBAO+的作法。
▲SSAO耗時1.9 ms，模糊化 1.3 ms，共3.2 ms
好，做完了…嗎？很遺憾還是有些問題，當物體佔滿整個畫面後，SSAO的耗時可以增加到五倍之多。根源應是來自於SAO演算法中，每個pixel的取樣pattern都不一樣造成的cache miss。幸好有一篇Cache-Efficient Post-Processing似乎能解決我的問題，它先將整個畫面交錯分拆成16張小圖片，用這些小圖片計算AO，最後將結果組合回原尺寸大小。
▲此圖示範了怎麼交錯分拆成四張小圖
實際上MRT(Multiple render target)最多只有8，所以拆成16張小圖時必須用2個draw call。計算AO時，不再是每個pixel都亂數製造取樣pattern，而是一張小圖固定使用一個pattern。使用小圖與新的取樣策略理論上能減少cache miss，甚至能減少記憶體頻寬用量。
機會難得，試一下直接在小圖做模糊會長怎樣：
▲相當於每4 pixel才做一次取樣
這個方法的耗時乍看之下實在很不理想，SSAO只省了0.2 ms，模糊化耗時幾乎沒變，將Normal與Depth資料拆成小圖分別耗時0.1與0.2 ms，將AO組合回原尺寸花了0.16 ms，根本沒賺到還虧本。做了些最佳化後SSAO耗時變為1.6 ms，模糊耗時1.0 ms，勉強能說有些進步。不過嘗試讓物體佔滿螢幕後，才發現SSAO的耗時完全不動如山，這方法真的有用！
因為上圖實在太糊了，所以又改成AO組合回原尺寸後才做模糊：
▲最終版本
