Denoising VOL.2

admin管理员组

文章数量:1794759

Denoising VOL.2

本周专题：神经网络结合滤波器方法

LBF[1] 首次将神经网络的方法引入到了蒙特卡洛降噪，这篇文章使用包含光子嫩肤的原理噪声图片及无噪声辅助特征的图像块作为多层感知锌皮娃娃兵机网络的输入，输出的是一个固定形式的滤波器（如交叉-双边滤波器）的参数，如滤波器带宽等。然后用该参数构建的滤波器对噪声图像进行滤波，得到图像春天开的花块商科中心像素的降噪结果。 LBF 的局限性在于网络结构过于简单，而且使用的是固定函数的滤波器，不够灵活18岁怎么长高。KPCN[2] 对这些地方进行了改进，首先换上了能力更强的卷积神经网络，其次提出了滤波器权重预测的方式，不是预测每个位置上滤波器的参数了，而是直接预测每个位置上整个滤波器的完整权重值，比如要对每个像素位置执行窗口大小为 21x21 的滤波的话，网络就对每个像素位置上预测 441 个值，以此直接作为滤波器权重。此外 KPCN 也对路径追踪结果做了分 diffuse 和 specular 通道的处理，两种通道独立用权重不同的神经网络预测滤波器权重值并分别滤波，手机银行转账限额最后再把滤波后的结果加在一起得到最终结果。

KPAL[3] 是对 KPCN 工作的延续，实用性较强，后续也应用到了无敌破坏王2、玩具总动员4等电影的制作中。KPAL 主要是根据工业应用的需求提出了相对应的计算模块，主要分为源感知模块、时序模块、多尺度模块、以及非对称损失函数。源感知模块位于整烫头发个网络结构的最前端，主要作用是将不同分布的输入（如不同渲染器绘制出的结果）映射为一个统一的中间表示，这样的话当一组整体模型权重训练好时，需要用到另一个渲染器渲染出的结果作为输入时，只需要固定网络结构后边所有层的参数，然后重新训练一组新的源感知模块参数就可以了，提高了数据驱动方法的泛化性，减少了部署到新渲染器上时的麻烦。时序模块的作用是提取视频输入里的时序光明力量信，具体做法是将当前帧的向前向后相邻帧首先都重投影到当前帧，然后每一帧都过一个参数相同的一组卷积层，并输出都拼接在一起作为下一个模块的输入，最后预测的是每一帧的滤波器权重，独立滤波后把结果加权平均到一起作为当前帧最终降噪结干海参如何保存果。多尺度模块主要是为了提软体沼气池升模型的执行速度，原始 KPCN 方法想要得到一个大感受野的重建结果的话，就要预测一个大窗口的滤波器权重，这样做既吃显存，又非常耗费时间。因此 KPAL 使用一种多尺度的石灰岩网络结构，将输入图像降采样，然后在低分辨率下美得丽预测小的滤波器权重并滤波，再把结果上采样到高分辨率并和高分辨率下的结果做融合。这样做的原因是正品代购在低分辨率下用小窗口滤波对等效于在高分辨率下有大的感受野，因此就不需要在高分辨率下预测耗时的大的滤波窗口了。最后是非对称损失函数：后处理类的降噪方法大致都是引入偏差、减少方差，而有一些渲染效果是需要一定的残留噪声才能产生较好的视觉效果的，比如说火焰和云彩之类的体绘制、发丝效果等等。因bpost此 KPAL 设计了一种非对称的损失函数，通过引入控制”偏差-方差“程度的超参数参与训练，从而实现在训练后的推导执电脑显示器价格华硕笔记本电脑怎么样行时用该参数控制降噪程度的目的。

​ 预测滤波器方法在很多情况下都能取得很好的降噪质量，而多分辨率结构更是减少了该方法的时间开销，因此该结构被用到了后续的很多工作中。

参考文献：

1. Nima Khademi Kalantari, Steve Bako, and Pradeep Sen. 2015. A machine learning approach for filte数列求和ring Monte Carlo noise. ACM Trans. Graph. 34, 4 (2015), 122–1

2. Steve Bako, Thijs Vogels, Brian McWilliams, Mark Meyer, 亮剑精神Jan Novák, Alex Harvill, Pradeep Sen, Tony Derose, and Fabrice Rousselle. 2017. Kernel-predicting conVOLutional networks for Denoising Monte Carlo renderings. ACM Trans. Graph. 36, 4 (2017), 97–1.

3. Thijs Vogels, Fabrice Rousselle, Brian McWilliams, Gerhard登月球 Röthlin, Alex Harvill, David Adler, Mark Meyer, and Jan Novák. 2018. Denoising with kernel prediction and asymme什么是权责发生制tric loss functions. ACM Transactions on Graphics (TOG) 37, 4 (2018), 1–15.

本文标签： DenoisingVOL