申请/专利权人:东北大学
申请日:2021-10-19
公开(公告)日:2024-04-09
公开(公告)号:CN113947547B
主分类号:G06T3/04
分类号:G06T3/04;G06N3/0464;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.09#授权;2022.02.08#实质审查的生效;2022.01.18#公开
摘要:本发明公开了基于多尺度核预测卷积神经网络的蒙特卡洛渲染图降噪方法,涉及图像降噪技术领域。其包括获取数据集后对其中图像数据预处理得到漫反射组件和镜面反射组件;构建多尺度核预测卷积神经网络模型,对其网络参数初始化得到初始化的核预测卷积神经网络模型;将漫反射组件和镜面反射组件输入初始化的多尺度核预测卷积神经网络模型,使用Adam算法根据L1损失函数计算的误差对其训练得到训练好的多尺度核预测卷积神经网络模型;使用训练好的模型对低采样数下蒙特卡洛渲染得到的噪点图的漫反射组件和镜面反射组件进行降噪,对降噪结果数据相加得到降噪图。用蒙特卡洛渲染方法渲染图像时只需要少数采样得到噪点图再利用本发明方法降噪得到降噪图。
主权项:1.一种基于多尺度核预测卷积神经网络的蒙特卡洛渲染图降噪方法,其特征在于,该方法包括如下步骤:步骤1:获取数据集,并对该数据集中的图像数据进行预处理得到漫反射组件和镜面反射组件;所述数据集包括低采样数下通过蒙特卡洛渲染得到的若干噪点图和高采样数下通过蒙特卡洛渲染得到的若干参考图;步骤2:构建多尺度核预测卷积神经网络模型并对其网络参数进行初始化得到初始化的核预测卷积神经网络模型;步骤3:将漫反射组件和镜面反射组件输入初始化的多尺度核预测卷积神经网络模型,使用Adam学习率算法根据L1损失函数计算的误差进行训练得到训练好的多尺度核预测卷积神经网络模型;所述L1损失函数的表示如下所示: 其中y代表参考图数据,代表降噪结果数据,i代表网络的第i层,m代表网络的总层数,yi表示网络的第i层参考图数据,表示网络的第i层降噪结果数据;步骤4:使用训练好的多尺度核预测卷积神经网络模型对低采样数下蒙特卡洛渲染得到的噪点图的漫反射组件和镜面反射组件进行降噪,并对降噪结果相加得到最终的降噪图;所述步骤1进一步包括如下步骤:步骤1.1:对蒙特卡洛渲染图进行重要性采样得到采样后的数据集;步骤1.2:对采样后的数据集进行预处理得到漫反射组件和镜面反射组件;所述对蒙特卡洛渲染图进行重要性采样的方法为:首先采用随机投掷飞镖法在蒙特卡洛渲染图上均匀采样得到预设数量和大小的块patches,然后选择基于颜色方差和法线方差的pdf函数作为重要性指标对均匀采样得到的这些块patches进行重要性采样;所述pdf函数的计算方式为分别计算每个像素处的颜色方差和法线方差然后相加,最后将函数值范围映射到0到1;所述多尺度核预测卷积神经网络模型由结构相同的输入数据为漫反射组件的漫反射多尺度卷积神经网络模型和输入数据为镜面反射组件的镜面反射多尺度卷积神经网络模型组成;所述漫反射多尺度卷积神经网络模型和镜面反射多尺度卷积神经网络模型均由1层卷积核大小为5*5的卷积层、输入通道数和输出通道数相同的8个多尺度残差块和8层卷积核大小为5*5的卷积层顺序串联构成;所述步骤3包括如下步骤:步骤3.1:将漫反射组件输入漫反射多尺度卷积神经网络模型DiffuseMSCN得到预测核1,将镜面反射组件输入镜面反射多尺度卷积神经网络模型SpecularMSCN得到预测核2;步骤3.2:使用预测核1对漫反射组件中的辐射照度颜色进行卷积运算得到降噪的辐射照度颜色,以及使用预测核2对镜面反射组件中的对数变换后的镜面反射颜色进行卷积运算得到降噪的对数变换后的镜面反射颜色;步骤3.3:选择L1损失函数衡量训练过程中降噪结果数据与参考图数据的误差;步骤3.4:基于步骤3.3计算得到的降噪结果数据与参考图数据的误差对多尺度核预测卷积神经网络模型使用Adam学习率算法进行训练,实现自适应地调整学习率,最后得到训练好的多尺度核预测卷积神经网络模型。
全文数据:
权利要求:
百度查询: 东北大学 基于多尺度核预测卷积神经网络的蒙特卡洛渲染图降噪方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。