Real-time filtering of Monte Carlo noise on GPU

Abstract

Die Herstellung von fotorealistischen Bildern, die kaum von realen Bildern unterscheidbar sind, ist eines der wichtigsten Probleme in der Computergraphik. Übermäßige Abtastung während der Monte Carlo Integration bei Physically Based Rendering und besonders bei der Monte Carlo Path Tracing ermöglichen Bilder dieser Qualität. Das Problem der Monte Carlo Integration ist die Varianz bei einer niedrigen Abtastrate, welche als Rauschen im Endbild erscheint. Um dieses Problem zu umgehen, wird mehrdimensionale Filterung verwendet. In dieser Arbeit wird die Anwendbarkeit der Genetischen Programmierung für die Suche nach neuen mehrdimensionalen Filterausdrücken untersucht. Außerdem werden drei neue Ausdrücke vorgestellt, die bei unserer Methode generiert wurden. Unsere Methode besteht aus iterativen zufälligen Änderungen der ursprünglichen Ausdrücke bis zur Erfüllung des Abbruchkriteriums und aus dem Vergleich der mit neu erzeugten Ausdrücken erhaltenen gefilterten Pixelwerte mit den Ground Truths der Trainingsszenarios. Die so erhaltenen Ausdrücke erzielen bessere Ergebnisse als ein Crossbilateraler Filter mit konstanten Parametern. Desweiteren erlaubt unsere GPU Implementierung der identifizierten Ausdrücke eine schnelle Filterung des Monte Carlo Rauschens mit einer Rechenzeit von weniger als einer Sekunde.

Producing photo-realistic images, hardly distinguishable from the real photos, is one of the most important problems in computer graphics. Physically based rendering and particularly Monte Carlo path tracing is able to produce images of such quality by performing excessive sampling during Monte Carlo integration. The problem of Monte Carlo Integration is a high variance at low sampling rate. This variance appears as a noise in final image. In order to address such problem high-dimensional filtering is used. In this thesis we inspect the applicability of the Genetic Programming for the search of new high-dimensional filtering expressions and present three novel expressions generated by our method. Our method consists of iterative random changes of initial expressions until the finishing criterion is met and the comparison of the filtered pixel values, obtained with newly generated expressions, with the ground truth of the training scenes. The resulting expressions perform better than cross-bilateral filter with constant parameters. Additionally, our GPU implementation of identified expressions allows fast filtering of Monte Carlo noise with computational time of less than a second.