实时光线追踪 2

image-20230328185527448

Implementation of Filtering

空间上的降噪技术

• 通过模糊操作去掉噪声

• 由滤波核决定如何滤波

image-20230328185824849

高斯滤波核

• 对于每个像素，以高斯滤波核，取附近像素的加权和，归一化

• 理论上是无限远的，通常只考虑 3 sigma 内

Bilateral Filtering 双边滤波

• 希望高斯去噪声的同时保留边界，使图片不模糊

• 使用颜色差异指导滤波核大小，动态滤波核

options

• 滤波核贡献变小

• 不适合降噪，分不出明显的噪声和边界

• 认为颜色剧烈变化时是图像边界

• 颜色剧烈变化时，周围像素给予权重变小，更似原图

Joint Bilateral Filtering 联合双边滤波

• 在双边滤波的基础上，使用更多的 Buffer 指导滤波核强度

• 考虑 NormalBuffer 和 DepthBuffer ，如果变化剧烈，应当减小滤波核

• 取各个滤波方式的加权和

G-Buffer

• 使用 G-Buffer 中的各种信息指导

• Position Normal Albedo

• G-Buffer 本身是无噪声的

metric

• 定义函数，从周围像素到中心像素，任意变量上的距离和贡献的关系

• 不一定同高斯函数指导滤波

Implement Large Filters 大型滤波器优化

• 大型滤波器减少采样次数优化

• 拆成多个 pass 执行

Solution 1 ：Separate Passes

• 将维度拆成次数

• 减少一个维度数量级 Mnxn -> Mi x n + Mn x i

• 二维高斯描述为两个一维高斯相乘

• 

Solution 2 ：Progressively Growing Sizes

• 使用逐步增大的滤波器

• 同样大小的滤波器，采样的距离逐渐增大

• 多趟统一形成大的 filter image

• 如果滤波器大小为 5x5，采样 5 层，那么每个像素相当在一次 pass 中采样了 64 x 64

• 

deeper understanding

• 每次使用越来越大的 Filter，过滤掉越来越低的频率

• 每迭代一次，图就越模糊

• 

Outlier Removal

• 非常亮的点，不但没被过滤，还会在过滤时摊开影响到周围 ：Blocky

solution

• 预处理，滤波前处理掉 outlier

• Removal 实际上做的是 clamp，通过均值方差描述值范围

• temporal clamping ，限定到上帧的有效范围内

Specific Filtering Approaches for RTRT

• 对于 RTRT 选用的过滤方法