面向高效蒙特卡洛降噪器训练的非线性 Noise2Noise

Noise2Noise 方法允许使用输入和目标图像对来训练基于机器学习的降噪器，其中输入和目标都可以是带噪声的。这消除了对干净目标图像进行训练的需求，而干净目标图像通常难以获得。然而，Noise2Noise 训练有一个主要限制：应用于带噪目标的非线性函数会使结果产生偏差。这种偏差的产生是因为非线性使得带噪目标的期望值不同于干净目标图像。由于非线性函数在图像处理中很常见，避免使用它们限制了可以对带噪目标进行的预处理类型。我们的核心见解是，某些非线性函数可以应用于带噪目标，而不会给结果带来显著偏差。我们建立了一个理论框架来分析这些非线性的影响，并描述了一类具有最小偏差的非线性函数。我们在 Monte Carlo 渲染生成的高动态范围 (HDR) 图像降噪上演示了我们的方法。Noise2Noise 训练在处理 HDR 图像时可能会遇到困难，因为训练过程会被离群值淹没，导致性能不佳。我们考虑了一种常用的解决这些训练问题的方法：对模型输出和目标图像应用非线性色调映射函数以降低其动态范围。由于涉及非线性，这种方法此前被认为与 Noise2Noise 训练不兼容。我们证明，某些损失函数和色调映射函数的组合可以减少离群值的影响，同时引入最小的偏差。我们将我们的方法应用于一个现有的基于机器学习的 Monte Carlo 降噪器，其原始实现是使用高采样数参考图像进行训练的。我们的结果接近原始实现的结果，但仅使用带噪训练数据即可产生。