[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

说明书

本发明公开了一种基于细节保留神经网络模型的蒙特卡洛去噪方法，首先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，渲染大量的噪声数据和相应的参考数据，形成训练数据集，然后对训练集的噪声数据进行预处理，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；使用神经网络输出的过滤核对噪声输入进行去噪，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；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。本发明使得去噪结果能够保持更好的几何细节和光照细节。

技术领域

本发明属于计算机图形渲染技术领域，特别是一种基于细节保留神经网络模型的蒙特卡洛去噪方法。

背景技术

关于蒙特卡洛去噪方法，可以分为基于图像空间的蒙特卡洛去噪方法和基于机器学习的蒙特卡洛去噪方法。关于基于图像空间的蒙特卡洛去噪方法，已经有了许多的研究。Rousselle等提出了基于零阶线性回归模型的方法(F.Rousselle,M.Manzi,and M.Zwicker.Robust denoising using feature and color information.ComputerGraphics Forum, 32(7):121–130,2013.)，它们使用联合过滤编码的非局部平均过滤器，并结合颜色和辅助特征缓冲区进行去噪。这些方法通过选择好的过滤核权重参数，来产生良好的去噪效果，但是这使其会受到显式过滤器的限制，导致过滤核不够灵活。之后Bitterli提出了基于一阶模型的方法(B.Bitterli,F.Rousselle,B.Moon,J.A.Iglesias-Guitián,D.Adler,K. Mitchell,W.Jarosz,and J.Novák.Nonlinearly weighted first-order regression for denoising Monte Carlo renderings.Computer GraphicsForum,35(4):107–117,2016.)，Moon提出了基于高阶模型的方法(B.Moon,S.McDonagh,K.Mitchell,and M.Gross.Adaptive polynomial rendering.ACM Trans.Graph,page 10,2014.)。这些方法受到的约束更少，它们利用辅助特征缓冲区和颜色缓冲区之间的关系，更充分利用了领域数据。但是基于一阶模型的方法在低频噪声上的去噪效果较差，而基于高阶模型的方法容易出现过拟合的问题。