Exploiting a priori information for filtering Mone Carlo renderings

Abstract

Monte-Carlo-Raytracing-Systeme sind in der Lage, photorealistische Bilder durch eine stochastische Abtastung für jeden Pixel zu generieren. Bei einer niedrigen Abtastrate sind die Bilder jedoch von einem störendem Rauschen befallen. Eine Möglichkeit zur Rauschunterdrückung ist die Anwendung von mehrdimensionaler Filterung auf das generierte Bild. Die Effektivität von mehrdimensionalen Filtern ist abhängig von Zusatzinformation bezüglich der Bildstruktur (gegeben durch sogenannte Feature Buffer) und dem Rauschen. Bekannte Methoden basieren auf dem Einsatz von Positions-, Normalenvektor- oder Farbtextur-Information und bestimmen empirisch, unter Berücksichtigung der abgetasteten Stichproben, den lokalen Rauschpegel. In dieser Arbeit wird ein neuer Ansatz, basierend auf a priori Information in Form von Materialdeskriptoren, vorgestellt. Der Einsatz von a priori Information ermöglicht die Vorhersage von bestimmten Materialeingenschaften die während des Filterns vorteilhaft eingebunden werden können. Es wird ein, auf den Albedos von Materialien basierender, neuer Feature Buffer vorgestellt. Zusätzlich wird eine heuristische Methode zur Schätzung des lokalen Rauschpegels, welche a priori Information von Materialien berücksichtigt, präsentiert. Letztendlich wird eine Implementierung der Techniken vorgestellt und ihre Fähigkeiten durch die effektive Rauschunterdrückung von unzureichend abgetasteten Szenen mit mehreren reflektiven und refraktiven Materialien sowie hochauflösender Geometrie und Texturen in wenigen Sekunden demonstriert.

Monte Carlo rendering techniques are capable of rendering photorealistic images by performing exhaustive stochastic sampling for each pixel but suffer from objectionable noise at low sampling rates. A possible way to mitigate this problem is to perform high-dimensional filtering on the rendered image. The effectiveness of this approach is highly dependent on auxiliary information regarding both the image structure (given as so-called feature buffers) and the noise. Previous approaches commonly use positions, normals or texture colors as auxiliary information and determine the local noise empirically based on the obtained samples. In this work, we propose to take a priori information in the form of scene material descriptors into consideration. The incorporation of a priori information affords the prediction of material behaviors which can be exploited during filtering. We introduce a novel feature buffer based on material albedos as well as a noise-estimation heuristic which incorporates a priori information on materials to assist the noise filtering process. We present an implementation of our techniques and demonstrate their capabilities by effectively denoising highly undersampled scenes with multiple reflective and refractive materials as well as high-resolution geometry and textures in only a few seconds.