“新奇的去噪做法可以快速地生成更清晰的照片级真实感像”

蒙特卡罗的计算方法是在游戏和电影中多个真实图像的背后。 它们模拟灯光和摄影机的物理多样性，并根据不同的图像特性和场景采样生成高质量的渲染。 但是，蒙特卡罗方法需要花时间进行渲染，生成一个图像可能需要几个小时到几天。 此外，结果通常保持像素化或喧闹。

麻省理工学院、阿德比大学和阿尔托大学的全球计算机科学家团队开发了一种创新的方法，通过采用基于深度学习的方法在短时间内生成更高质量的图像和场景设计，从而大幅降低图像噪声。 他们的方法可以生成更清晰的图像，从阴影、间接照明、运动模糊、景深等样本特征中有效捕捉许多复杂的细节。

研究人员将在7月28日至8月1日在洛杉矶举行的siggraph 2019上展示他们的作品。 这个年度聚会展示了世界领先的专家、学者和创意人才，他们都处于计算机图形和交互技术的最先进水平。

adobe的研究科学家michaë； 根据lgharbi的说法，我们的算法可以从样本非常少、噪声非常高的输入图像中生成漂亮的图像，同时在重复场景设计时生成高速渲染的预览。 gharbi是FR和Eacute； dodurand研究所担任麻省理工的博士生，他也是合作者。

该小组的工作要点是所谓的去噪，是降低蒙特卡罗渲染中图像噪声的后解决技术。 基本上保存了图像的详细信息，删除了所有有损清晰度的东西。 在以前的事业中，计算机科学家开发了通过对本图像和相邻像素的像素平均值进行采样来平滑噪声的方法。

这个做法相当奏效，有几部电影被实际采用在制作中。 合作者tzu-mao li表示，他是麻省理工学院的博士毕业生，在杜兰特学习。 但是，如果图像太嘈杂，一般的后期解决方案无法恢复清晰、清晰的图像。 一般的客户为了获得高质量的图像，平均每个像素需要数百个样本。 这是单调无聊的时间。 需要一个过程。

用图形软件程序拍照的过程可以稍微比较一下。 如果客户没有原始文件，修改后的照片版本可能无法生成清晰、清晰、高分辨率的最终图像。 但是，更多复杂的问题是图像去噪。

因此，研究者的新计算方法包括直接采用蒙特卡罗样本，而不是大部分新闻中丢失的平均噪声图像。 与解决图像和视频的典型深度学习方法不同，研究人员演示了一种新的卷积互联网，它不是从简化的基于像素的表示中删除，而是从原始的蒙特卡罗样本中直接删除渲染

他们工作的一个重要部分是新奇的内核预测计算框架，将单个样本(颜色和纹理) splats到附近的像素，从而使图像的整体构图清晰。 在以前流传的图像解析中，内核被用于模糊和锐化。 splatting是一种解决运动模糊和景深问题的技术，可以使样本的像素化区域更加平滑。

在这项工作中，团队的splatting算法为每个样本生成2d内核，并将样本splats成图像。 我们认为这是更自然的后解决方法，李说。 小组使用随机场景生成器对互联网进行了培训，并在间接照明和直接照明等各种真实场景中广泛测试了他们的方法。

我们的做法可以用非常低的样本数量提供更清晰的输出。 以前的做法一般不容易。 gharbi补充说。

在未来的事业中，研究者们打算利用他们的方法来扩展可扩展性，扩展为越来越多的样本特征，探索实施去噪图像帧间平滑的技术。

基于这篇论文样本的蒙特卡罗，用内核喷雾互联网进行去噪也是麻省理工学院的miika aittala、阿尔托大学和nvidia的jaakko lehtinen共同撰写的。

本文：《“新奇的去噪做法可以快速地生成更清晰的照片级真实感像”》