Denoising Monte Carlo Renders With Diffusion Models

物理渲染包含蒙特卡罗噪声，方差随像素每个射线数的减少而增加。虽然现代优秀的渲染器的噪声是零均值的，但是噪声仍然存在重尾现象（尤其是对于包含镜面或折射物体的场景）。学习方法用于修复低保真度渲染已经高度发展，因为抑制渲染噪声意味着可以节省计算资源并使用少量射线的快速渲染。我们证明了扩散模型可以成功地去噪低保真度渲染。此外，我们的方法可以基于各种自然渲染信息进行条件化，并且这种条件化有助于性能。定量实验表明，我们的方法在各种采样率下具有与SOTA相竞争的水平，但是当前的度量标准略微偏向于竞争方法。定性检查重建结果表明，度量标准本身可能不可靠。扩散方法应用的图像先验强烈偏向于“像”真实图像的重建——因此具有直线阴影边界、曲线反光、没有“萤火虫”等——而度量标准没有考虑到这一点。我们展示了许多例子，其中当前度量标准偏好的方法产生的重建结果比我们的定性上更弱。

本文旨在解决低保真度渲染图像中的噪点问题，提出了一种基于扩散模型的去噪方法。

本文提出的方法是使用扩散模型去除低保真度渲染图像中的噪点，该方法可以在各种自然渲染信息的条件下进行，且表现优异。

本文的实验结果表明，使用扩散模型可以成功地去除低保真度渲染图像中的噪点。此外，该方法可以根据各种自然渲染信息进行条件化，这有助于提高性能。虽然当前的度量标准略微偏向于竞争对手的方法，但定量实验表明，本文的方法在各种采样率下都具有与SOTA相媲美的性能。此外，本文的方法在许多情况下产生了比当前度量标准更好的重建效果。

最近的相关研究包括：《Deep Learning for Denoising Monte Carlo Renderings》、《A Neural Approach to Blind Motion Deblurring》、《Deep Image Prior》等。