[发明专利]基于细节保留神经网络模型的蒙特卡洛去噪方法

权利要求书

1.一种基于细节保留神经网络模型的蒙特卡洛去噪方法，其特征在于包括以下步骤：

步骤一，使渲染器的输出通道中包含颜色缓冲区和辅助特征缓冲区，并在辅助特征缓冲区中增加光照传输协方差，渲染大量噪声数据和相应的参考数据，形成训练数据集；

步骤二，对训练数据集的噪声数据进行预处理，将漫反射颜色转换成辐射照度颜色，将镜面反射颜色变换到对数域，并对辅助特征缓冲区中的数据进行归一化，得到预处理的噪声数据；

步骤三，将预处理的噪声数据输入到包含特征提取器和核预测器的神经网络中进行过滤，并输出一个过滤核，具体为：

3.1将漫反射组件和镜面反射组件分别送入两个包含特征提取器和核预测器的神经网络中；

3.2特征提取部分中，颜色组件和辅助特征组件被分别送入两个特征提取器中进行特征提取，其中颜色组件包括初始颜色、预处理颜色及相应梯度和方差，共10通道，辅助特征组件包括法线、反照率、深度、光照传输协方差及相应梯度和方差，共20通道；所述特征提取器使用的是残差网络，网络中所使用的卷积层参数为：第一层的输入通道数对应颜色缓冲区和特征缓冲区，分别为10、20，其余层的输入通道数为100，输出通道数均为100，卷积核的大小均为3×3；该残差网络的第一层是一层卷积层；接着是八块残差块，每一块残差块都是两层的网络结构，残差块的每一层包含一层Relu激活层和一层卷积层，在残差块的末尾会将卷积层输出与残差块的输入进行跃进式连接，即进行相加；并在经过一层Relu激活层和一层卷积层输出提取的高维特征，然后对提取的两个高维特征进行拼接；

3.3将拼接后的高维特征输入到一个浅层核预测器中，所述浅层核预测器使用的是四层卷积神经网络，前三层每一层都包括一层卷积层和一层Relu激活层，最后一层仅有一层卷积层，每一层的卷积核大小均为3×3，第一层卷积层的输入通道数为200，输出通道数为100；第二层和第三层卷积层的输入和输出通道数均为100；第四层的输入通道数为100，输出通道数为441，即最终输出21×21大小的过滤核；

步骤四，使用神经网络输出的过滤核对漫反射组件中的辐射照度颜色和镜面反射组件中的对数域镜面反射颜色进行卷积，得到去噪的辐射照度颜色和对数域镜面反射颜色；

步骤五，使用SMAPE和感知损失函数计算去噪结果和参考数据之间的误差，对网络进行训练和参数优化，训练后如果验证结果已收敛或者达到最大迭代次数，则进行步骤六，否则返回步骤三，具体为：

5.1分别计算漫反射去噪结果、镜面反射去噪结果和相应的参考数据之间的SMAPE和感知损失，SMAPE损失函数的公式为其中表示去噪结果，c_r表示参考颜色，ε是一个极小的数以防止分母为零；感知损失函数的公式为其中whd分别表示去噪结果的宽度、高度和通道数，φ是高维特征提取器，这里使用预训练好的VGG-19作为该特征提取器；漫反射损失计算的是去噪的辐射照度和参考的辐射照度之间的误差；镜面反射损失计算的是在对数变换域中去噪镜面反射与参考镜面反射之间的误差；

5.2使用ADAM优化器根据计算的损失函数对相应的网络参数进行训练优化，迭代后进行验证和batch更换，如果验证结果显示已收敛则进行步骤六，否则返回步骤三；

步骤六，使用训练好的网络对任意符合网络输入结构的数据进行去噪。