Chaos
cn
登录
产品

拓展您的创意世界

探索 Chaos 生态系统

合集

云渲染

模拟

解决方案教育
Student Rendering Challenge 了解详情
用户社区
Partners in Art 了解详情
支持

访问 Chaos 帮助中心

访问帮助中心

我的账户

Chaos Help Center


学习资料作品集

博客 - 使用NVIDIA OPTIX DENOISER降噪器进行V-RAY NEXT实验


噪点的问题

光线追踪与摄影一样,需要大量的光线样本才能获得清晰的图像,不管是CG渲染或是真实摄影,噪点都是个挑战。在摄影中,光线不足时,样本稀疏,整体图像呈颗粒状。 光线追踪和CG也是如此。如果光线追迹时间很短,则样本会受到限制,图像会变得很多噪点。在这两种情况下,解决的办法是增加更多的样本。 为了在摄影中获得更多的样本,您可以打开光圈或增加曝光时间以获取更多光子。 在光线追踪中,您可以等待更长的时间来计算更多的样本,或者添加更多的计算机计算能力来更快地解析图像。

另一个可以说明图像中的噪点的东西叫做去噪(denoising)。 最简单的去噪办法是模糊所有附近的像素获得平均值。但结果将只会得到整体模糊的图像。如果去噪解决方案也能够检测边缘并确保边缘维持锐利,就会得到更好的结果。要让去噪能够据此再更进一步改善则是个更难以解决的问题。

在下面的例子中,我们从一个只有少数样本的具有很多噪点的渲染开始。第二张图片显示了在套用简单模糊滤镜后的效果,第三张图片显示了当您同时检测边缘和模糊后的效果。对于这些图像,我们使用了Photoshop的智能模糊滤镜(Smart Blur filter)。从技术上讲,Photoshop的去噪 (denoiser)要比“智能模糊效果(Smart Blur)”好得多,但这有助于说明这一点。

 

原始噪点多的图像
套用PHOTOSHOP高斯模糊的图像
套用PHOTOSHOP的具有边缘侦测的SMARTBLUR的图像

在V-Ray 3.x中,Chaos Group引入了我们自己的去噪解决方案。这个方案允许用户渲染图像到某个程度,然后让V-Ray根据具有的信息对其进行去噪。这个过程在GPU上运行得非常好。 我们在GPU指南中提到的一件事就是GPU在大规模平行任务中表现出色。 而去噪就是其中的一个任务。借助GPU,我们可以获得20倍的速度提升,并且只需几秒钟即可完成此过程。

但去噪过程可能会更快。那么如果不是独立解决每个图像的去噪问题,倘若去噪器可以参考以前的去噪解决方案来更快地解决问题呢?

 

使用神经网络来说明去噪

使用这个预先“学习”的数据是机器学习的基础。 在V-Ray中,V-Ray可以使用光缓存过程中学到的数据,以更快的速度解决各种渲染问题。例如,自我调整采样器(Adaptive Sampler),自我调整光源(Adaptive Lights)和新的自我调整圆顶灯(Adaptive Dome Light)都使用这个概念。 但是,如果V-Ray能够从其他渲染的图片中学习,而不仅仅是V-Ray自己产生的数据呢?

目前围绕深度学习和深度神经网络的话题很多。 (其实,这两个是一样的东西)。 神经网络有多深是指其网络所包含的层数。这个想法是建立一个计算网络,学习如何解决具体问题,无论是从提供的解决方案到解决问题,还是透过软件自己的测试中学习。一旦网络更理解如何解决问题,例如去噪,就可以更快地解决问题。

试想一下,如果你不知道5 + 5 = 10,而且每次都要用手指算,那会算得很慢。 但是如果你已经知道了答案,所以你可以跳过你的手指,算的快得多了。

理论上,通过提供神经网络数以千计的不同噪点渲染以及干净的最终版本,可以学习如何使用该图像数据解决噪点问题,然后将解决方案应用于其他情况。

这正是NVIDIA推出的OptiX AI加速去噪器做的事。 他们使用Iray渲染的成千上万的图像构建了一个神经网络,现在这个学习的数据可以应用到其他光线跟踪图像。 我们决定来试验这个学习的数据怎样能让V-Ray受益。

 

重点在于速度

NVIDIA的OptiX降噪器比V-Ray的降噪器有什么优势?虽然V-Ray降噪器速度非常快,可以在GPU上以秒为单位对图像进行降噪,但OptiX解决方案可以达到实时降低渲染效果。但请记住,降噪的图像从来不会是准确的。根据定义,降噪器给你最好的猜测结果,提供您最终的影像应该的样子。而准确性可能不是最重要的。如果您可以实时获得可用的无噪点图像,则可能会大幅改变工作流程,尤其是在照明和视觉开发阶段(look development)。

 

NVIDIA OptiX降噪器如何在V-Ray中工作

即便除噪点的资料是以使用Iray渲染来收集的,还是可以将学习数据用在V-Ray。 我们甚至可以使用V-Ray渲染重新训练神经网络。

去噪器对图像的了解越“真实”,而不只是用猜的,就越能做好去噪的工作。例如,让我们来看看边缘检测。由于通常基于相邻像素之间的高对比度度来检测边缘,因此噪点图像可能没有足够的信息来良好地检测边缘。 当您在V-Ray中渲染diffuse pass和normals pass时,去噪器会收集有关场景的足够信息以确认边缘的位置。

通过学习数据和渲染元素的结合,即使只有少量样本,OptiX降噪器也能够很好地预测最终图像。 虽然这种类型的去噪可以在GPU或CPU上运行,但对于用户来说最大的好处是交互式地工作。

 

一些测试结果

在这个例子中,我们看到了一个相当复杂的场景,有很多全局照明。我们使用diffuse和normal pass给予降噪器使用。我们在渲染过程中拍摄了快照,以显示原始渲染和去噪后的渲染。

在第1次pass 后的图像 - 场景由BBB3viz提供
在第18次pass 后的图像- 场景由BBB3viz提供
在第11431pass 后的图像(最终渲染) - 场景由BBB3viz提供

你会注意到,在第一pass,我们得到一个几乎没有什么信息可用的图像。然而,图像并不是很接近最终图像的实际照明。但是,当我们接近最后的图像时(译者注: 计算越多次pass后),图像更接近实际照明。然而,您会注意到最终图像与除噪点的最终图像之间仍存在差异。

在以下视频中,我们可以看到NVIDIA OptiX可以实现的实时去噪的真正威力。 测试几个不同场景,随着渲染的进行,使用这个技术得到无噪点的图像。

目前的使用限制

有一些限制将来可得到解决。

  1. OptiX降噪图像只是一个近似值。对最终结果可能是一个非常接近的猜测,但是实际的渲染会更加准确。
  2. OptiX降噪图像的颜色被箝制(clamped)。目前,被降噪的图像被固定为1,不会得到与HDRI相同的颜色范围。
  3. 每次V-Ray通过后OptiX去噪都会刷新。 V-Ray的渐进渲染经过好几次的pass后完成。 在简单的场景中,pass可能要耗费几毫秒,在更复杂的场景中,pass可能需要几分钟计算。使用OptiX降噪器,您将只在每次的pass之后看到降噪的结果。
  4. 在渲染的早期阶段,当噪点较多时,OptiX的去噪效果非常好。在噪音较小的后期阶段,OptiX降噪可能就没有这么大的优势。
  5. OptiX可能不适合动画。对于动画,我们建议使用V-Ray的降噪器进行跨帧降噪(cross-frame denoising)。
  6. OptiX仅对beauty render进行去噪,而即将到来的V-Ray Next可以对个别渲染元素进行去噪。
  7. 使用V-Ray的CPU渲染器时,需要关闭反锯齿滤镜(anti-aliasing filter)才能让OptiX Denoiser正常运作。
  8. 虽然V-Ray渲染可以在任何硬件上进行,但OptiX Denoiser必须使用NVIDIA GPU。

结论

许多人长期以来以交互模式使用V-Ray渲染。这对更新着色器和灯光并以交互方式查看结果是个好方法。而问题一直以来都是,根据渐进式路径追踪的性质,图像可能具有很多噪点。借助V-Ray里面的NVIDIA新型OptiX降噪器,可以实时进行智能降噪,让用户更能感受调灯光材质时的的变化,过程中得到具有更平滑的无噪点的渲染。

 

ChaosEnscapeCylindo
© 2022 Chaos Software 保留一切权利

Your shopping cart

There are no items in your cart.

Continue shopping
MasterCard
Visa
AmEx
JCB
Discover
PayPal