实时蒙特卡洛去噪与权重共享核预测网络
摘要：实时蒙特卡洛去噪旨在在严格的时间预算下消除低样本每像素（spp）的严重噪声。最近，核心预测方法使用神经网络预测每个像素的滤波核，并显示出去除蒙特卡洛噪声的巨大潜力。然而，计算负载重的问题阻止了这些方法的实时应用。本文扩展了核心预测方法，并提出了一种新的方法来实时去噪非常低spp（例如1-spp）的蒙特卡洛路径追踪图像。我们不是直接使用神经网络来预测核心映射，即每个像素滤波核的完整权重，而是预测核心映射的编码，然后使用高效的解码器和展开操作进行高质量的滤波核重建。核心映射编码产生了核心映射的紧凑单通道表示，可以显著减少核心预测网络的吞吐量。此外，我们采用可扩展的核心融合模块来提高去噪质量。所提出的方法在保持核心预测方法的去噪质量的同时，将其去噪时间大致减半，适用于1-spp的噪声输入。此外，与最近的基于神经双边网格的实时去噪器相比，我们的方法利用基于核心的重建的高并行性，在相同的时间内产生更好的去噪结果。
作者：Hangming Fan, Rui Wang, Yuchi Huo, Hujun Bao
论文ID：2202.05977
分类：Graphics
分类简称：cs.GR
提交时间：2022-02-28