怎样使用辅助特征对低采样的图像降噪？

李宁谦

A Machine Learning Approach for Filtering Monte Carlo Noise
Kalantari N K, Bako S, Sen P. A machine learning approach for filtering Monte Carlo noise[J]. Acm Transactions on Graphics, 2015, 34(4):1-12.
当然还有很多，主要是想要问一下，神经网络的输入向量怎么处理？论文中讲是36个特征值，但是为什么渲染的主要特征从18变成了20？

Jedimaster

Feature statistics: We compute the mean and standard deviationfor the K = 5 additional features of all samples in the pixel. Tocapture more global statistics, we also calculate the mean and standarddeviation of the pixel-averaged features in a 7×7 block aroundeach pixel. We compute the statistics for each component (e.g., i, j,k for shading normal) separately and average them together to geta single value per feature. Thus, we have 20 total values for eachpixel and the block around it.
The input layer consists of 36 nodes corresponding to our secondary features, while our output layer has one node for each filter parameter (6 total).

你的疑问来自这两段么？

第一个是关于输入数据的处理，具体内容文章已经有了。

第二个是Hidden Layer的层数，虽然相关但是是两个概念，HL可以更多但是失去了意义。比如对于Pure Diffusing场景，是没有任何Specular/Glossy的，这个时候照明复杂度的阶数降低，需要的Primary Feature更少，相应的Pass也更少，可能HL的数目也会更少。

这个Denoising技术有现实的买主，就是皮克斯的这个龟速渲染器。
https://renderman.pixar.com/reso ... _20/risDenoise.html
注意看Channel，在看论文中的Figure 4，那个就是对应的Primary Feature。讽刺的是用了这个之后这个破玩意还是慢的要死，出的图一片模糊。讽刺的是许多艺术家用后期合成的方法实现了Denoising，都不需要任何这些所谓的算法。

李宁谦

Jedimaster 发表于 2018-11-14 10:38
Feature statistics: We compute the mean and standard deviationfor the K = 5 additional features of a ...

虽然2015年的这篇文章效果不大好，但是实际上给后人开辟了新的方法，思路，例如后来的英伟达用循环降噪自编码器做，但是他的样本需求量太大。我问的是输入数据的具体处理办法，实际上已经有了源码，但是我本人对这样处理的目的不大清楚，比如说为何要处理出方差图，等，能起到什么作用呢？实际上很多文章都不具有开创性的级别，慢慢的积累下去才会有。

Jedimaster

这一套方法论，说到底，就是瞎鸡巴折腾样本最后搞个“平滑”近似。

这一套呢，对于渲染来说不存在什么有意义的积累。

宛如Photon Mapping，这个技术现在已经给彻底抛弃，完全不需要。

et2718

这一套方法论，说到底，就是瞎鸡巴折腾样本最后搞个“平滑”近似。

这一套呢，对于渲染来说不存在什么有意义的积累。

宛如Photon Mapping，这个技术现在已经给彻底抛弃，完全不需要。

3Delight目前好像还没有denoise, 如果哪天它也加入的话, 不知道你会不会改口