Image Denoising Using Weighted Local Regression

Abstract

Problém věrohodné simulace přenosu světla pomocí metody Monte Carlo může být velmi náročný. Konkrétně scény se složitými světelnými efekty nebo komplexními materiály můžou způsobovat pomalou konvergenci scény a vyžadují mnoho výpočetního času. Z toho důvodu se odšumovací algorithmy staly populárními. V této práci nejprve podáme přehled již známých přístupů k odšumování a adaptivnímu renderování. Dále implementujeme jeden ze slibných algoritmů od Moona a kol. [2014] v Corona Standalone Rendereru, zhodnotíme jeho výkon, jeho slabé i silné stránky, na 14 testovacích scénách. Ty obsahují pro odšumování a pro konvergenci složité efekty jako: subpixelovou geometrii, opticky aktivní média, extrémní hloubkové rozostření, rozostření pohybem a jiné. Navrhujeme vylepšení algoritmu, které vedou k jeho větší robustnosti a stabilitě. Dále ukazujeme, že je možné použít váženou lineární regresi k odšumování jen za použití procesoru. Ale i po našich vylepšeních, algoritmus stále není konzistentní, tj. že dochází k nechtěnému rozmázávání, případně rozmazává nedostatečně.

The problem of accurately simulating light transport using Monte Carlo integration can be very difficult. In particular, scenes with complex illumination effects or complex materials can cause a scene to converge very slowly and demand a lot of computational time. To overcome this problem, image denoising algorithms have become popular in recent years. In this work we first review known approaches to denoising and adaptive rendering. We implement one of the promising algorithm by Moon et al. [2014] in a commercial rendering system Corona Standalone Renderer, evaluate its performance, strengths and weaknesses on 14 test scenes. These include difficult to denoise and converge rendering effects such as fine sub-pixel geometry, participating media, extreme depth of field of highlights, motion blur, and others. We propose corrections which make the algorithm more stable and robust. We show that it is possible to denoise renderings with Linear Weighted Regression only using a CPU. However, still even after our propositions, it is not possible to filter scenes in a consistent manner without over-blurring or not filtering where desired.