denoiser
მონტე კარლო რენდერერებში ხმაურის შემცირება ძალიან მტკივნეული პროცესია. მაგალითად იმისათვის, რომ არსებულ რენდერში ხმაური 2-ჯერ შემცირდეს საჭიროა შერჩევების რაოდენობა 4-ჯერ გავზარდოთ. მოკლედ რამდენადაც მონტე კარლოს მეთოდი კარგია იმ თვალზაზრისით, რომ პირველ შედეგს ძალიან მალე გვაწვდის იმდენადვე ცუდია რადგან ნელა უახლოვდება საბოლოო ამონახსნს. როგორც უკვე ვთქვით, თუკი კადრის რენდერს მოწყობილობა მოუნდა მაგალითად 10 საათს და ჩვენ კიდევ არ ვართ კმაყოფილი რადგან ხმაური კვლავ შესამჩნევია დამოდის, რომ ხმაურის 2-ჯერ შესამცირებლად რენდერს 40 სთ უნდა დაველოდოთ რაც ძალიან, ძალიან დიდი დროა და უბრალოდ მოუღებელია მომხმარებლებისათვის. სწორედ ამ პრობლემის გადასაჭრელად არსებობენ ხმაურის მომშორებლები(დენოისერები). მისი გამოყენება ხდება რენდერის ბოლოს რათა გამოსახულება დარჩენილი ხმაურისგან გავწმინდოთ.
ხმაურის მომშორებლების იმპლემენტაციის სხვადასხვა გზები არსებობს თუმცა დღესდღეობით უდაო ლიდერად ღრმა დასწავლაზე დაფუძნებული კონვოლუციური ნეირონული ქსელი მიიჩნევა. ქსელის სწავლებისთვის საჭირო სასწავლო მასალის მოპოვება საკმაოდ ადვილია იმ თვალსაზრისით, რომ მას უბრალოდ უნდა მივაწოდოთ ხმაურიანი და შესაბამისი უკვე გასუფთავებული სურათები სხვადასხვა სცებნების სხვადასხვა რაკურსით და ბევრი სხვადასხვა კონფიგურაციით რომლის საფუძველზე ის სწავლობს თუ როგორ გაასუფთავოს არსებული გამოსახულება ხმაურისგან. ასევე ახდენებ მაგალითად ქსელის გაყოფას რამოდენიმე ნაწილად სადაც თითოეულ ქსელს სხვადასხვა ტიპის გამოსახულებაზე ავარჯიშებენ, მაგალითად პირდაპირ და ირიბ განათებაზე. ასევე ქსელს გარდა ხმაურიანი გამოსახულებისა შესაძლოა მივაწოდოთ დამატებითი ინფორმაციაც მაგალითად პირველი თანაკვეთის ნორმალები, დეფუზიური, სპეკულარული მეპები და ა.შ.
ხმაურის მომშორებლების იმპლემენტაციის სხვადასხვა გზები არსებობს თუმცა დღესდღეობით უდაო ლიდერად ღრმა დასწავლაზე დაფუძნებული კონვოლუციური ნეირონული ქსელი მიიჩნევა. ქსელის სწავლებისთვის საჭირო სასწავლო მასალის მოპოვება საკმაოდ ადვილია იმ თვალსაზრისით, რომ მას უბრალოდ უნდა მივაწოდოთ ხმაურიანი და შესაბამისი უკვე გასუფთავებული სურათები სხვადასხვა სცებნების სხვადასხვა რაკურსით და ბევრი სხვადასხვა კონფიგურაციით რომლის საფუძველზე ის სწავლობს თუ როგორ გაასუფთავოს არსებული გამოსახულება ხმაურისგან. ასევე ახდენებ მაგალითად ქსელის გაყოფას რამოდენიმე ნაწილად სადაც თითოეულ ქსელს სხვადასხვა ტიპის გამოსახულებაზე ავარჯიშებენ, მაგალითად პირდაპირ და ირიბ განათებაზე. ასევე ქსელს გარდა ხმაურიანი გამოსახულებისა შესაძლოა მივაწოდოთ დამატებითი ინფორმაციაც მაგალითად პირველი თანაკვეთის ნორმალები, დეფუზიური, სპეკულარული მეპები და ა.შ.
 |
| წყარო |
მიუხედავად იმისა, რომ ხმაურის მოშორების ასეთი მეთოდი ძალიან მიკერძოებულია(biased), ზემოთ ხსენებული მიზეზების გამო ის ერთერთი აუცილებელი კომპონენტია დღეს არსებულ პროდაქშენ რენდერერებში. უნდა გვესმოდეს, რომ ხმაურის მოშორების პროცესი რენდერის პროცესის ალტერნატივას არ წარმოადგენს. ის უბრალოდ ხმაურს აშორებს, რის გამოც მისი გაშვება უნდა მოხდეს რენდერის ბოლოს, მას შემდეგ რაც უკვე გამოსახულების ყველა მცირე დეტალიც გარკვევით იკითხედა წინააღმდეგ შემთხვევაში ის ასევე მოაშორებს სცენაში არსებულ მცირე დეტალებს მაგალითად ტესტურიდან და ა.შ.
Comments
Post a Comment