基于自适应采样与核池的两阶段蒙特卡洛去噪
计算机视觉与模式识别
2021-03-31 v1 图形学
摘要
蒙特卡洛路径追踪器在低采样数下渲染出含噪图像序列。尽管在此类序列去噪方面已取得很大进展，现有方法仍受空间与暂态伪影的困扰。本文中，我们提出一种基于自适应采样策略的两阶段去噪器来解决蒙特卡洛渲染中的问题。在第一阶段，在动态调整每像素采样数（spp）的同时，我们复用计算来生成额外的去噪核应用于自适应渲染的图像。我们并非直接预测逐像素核，而是通过从公共核池插值此类核来节省开销复杂度，该核池可动态更新以拟合输入信号。在第二阶段，我们设计位置感知池化与语义对齐算子以提升时空稳定性。我们的方法先在Mitsuba渲染器渲染的10个合成场景上基准测试，随后在我们自建的基于RTX的渲染器渲染的3个额外场景上验证。我们的方法在数值误差与视觉质量上均优于最先进的同类方法。
引用
@article{arxiv.2103.16115,
title = {Two-Stage Monte Carlo Denoising with Adaptive Sampling and Kernel Pool},
author = {Tiange Xiang and Hongliang Yuan and Haozhi Huang and Yujin Shi},
journal= {arXiv preprint arXiv:2103.16115},
year = {2021}
}