zoukankan      html  css  js  c++  java
  • Unity3d 游戏中的实时降噪-对Square Enix文档的研究与实现

    看到SE的技术文档关于降噪的决定研究一下,
    本次试验场景:


    文章中提到了3中主要滤波方法,最后一种方法又有三种方式
    分别为Conventional geometry-aware filtering,Distribution-Aware Filtering,Specular Lobe-Aware Filtering and Upsampling
    根据公式做了一些,自己弄得除噪方法不知道是否正确,虽然有效果=  =;

    博主的步骤:
    1.    找出噪波(包括噪波与贴图上的细节)
    2.    算出specular,diffuse的干扰
    3.    此处方法众多:a.用别的像素代替噪波b.周围采样求平均值(会造成模糊)。。。。

    Conventional geometry-aware filtering

    基于最基本的高斯滤波,

    此方法需要计算深度depth和normal,可通过获取_CameraDepthTexture和_CameraNormalsTexture获取,详细请点


    W相当于对过滤正确性的判断,因为物体的边缘可能被当做噪波误判,产生边缘粗糙或者模糊

    W权重公式
     
     

    float wk = Gaussian(GetDepth(i_) - GetDepth(j), _Sigma_z);



    Si是像素i中屏幕空间点的位置
    G为高斯函数

     

    σ是高斯分布的标准差

    		inline	float Gaussian(float x, float y)
    		{
    			return _A * exp(-(((pow((x - _X0), 2)) / (2 * _Sigma_x *_Sigma_x)) +
    				((pow((y - _Y0), 2)) / (2 * _Sigma_y *_Sigma_y))));
    
    		}



    算出w结果图
     

    边缘清晰可见,因为是通过depth和normal判断的,所以没有噪波,也包括了diffuse等的细节,通过w我们可以减少对边缘的降噪

    然后采样对灰度进行比较,如果当前点与采样点相差过多则为噪波,采样点数越多越准确,但是也有限度

    通过上图可明显发现w起的作用


    结果如下(图片可点击放大查看

    放大结果

    Distribution-Aware Filtering

    对噪波进行判断并锐化,便于识别出噪波

     
     
    t2为自定义参数
    Ci为光滑分布

    b函数为任意smoothing kernel
    比如:
    高斯滤波Gaussian filtering
    各向异性滤波anisotropic filtering
    总变分最小化Total Variation minimization
    相邻滤波neighborhood filtering
    NL-means algorithm
    等等
    这里博主使用高斯滤波





    W结果如下
     
    上图的结果没有开noise,但是这种方法的w是包含噪波的,所以不能用w来判断cut off,
    此处的w是其第一种作用,也就是判断噪波,但是这种方法的输入参数β,可以调节对高光部分和阴影部分的过滤程度(可以看到在图中参数下specular处是全黑的,此时高光处时不会过滤的,采样点之间的差别为0),所以这种方法不需要cut off

    结果如下


    比之前方法的图片细节(见lena)保真度高,高光等细节损失几乎为0


    SE文档中实现结果
     




    Specular Lobe-Aware Filtering and Upsampling

    对过滤的正确性判断加强,加上对高光的判断,免去对高光高亮处边缘的误判

     

    	float ai = v * max(dot(N, lightDir), 0);





    W的结果如下
     
    加入了对高光与暗部细节部分的判断,使得高光部分降噪效果良好



    三种方法中效果最好的方法


    结果如下

    SE文档中实现结果

       

    三种方法效果比对

     

     代码已上传至github

                                                    ------ by wolf96

     
     

  • 相关阅读:
    CPU深度学习模型推理性能抖动问题
    深度学习推理性能优化
    Winograd Convolution 推导
    Res-Family: From ResNet to SE-ResNeXt
    CPU二则
    CPU TFLOPS 计算
    深度学习专题
    计算系统中互联设备Survey
    深度学习框架演进史
    天池医疗AI大赛支持有感
  • 原文地址:https://www.cnblogs.com/zhanlang96/p/4557658.html
Copyright © 2011-2022 走看看