基于神经网络的随机渐近式光子映射图像降噪方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111445422A(43)申请公布日2020.07.24(21)申请号202010304779.1(22)申请日2020.04.17(71)申请人山东大学地址250101山东省济南市高新区舜华路1500号(72)发明人王璐曾峥徐延宁康春萌王贝贝孟祥旭(74)专利代理机构济南圣达知识产权代理有限公司37221代理人黄海丽(51)Int.Cl.G06T5/00(2006.01)G06T15/00(2011.01)权利要求书2页说明书8页附图7页(54)发明名称基于神经网络的随机渐近式光子映射图像降噪方法及系统(57)摘要本发明公开了基于神经网络的随机渐近式光子映射图像降噪方法及系统，包括：获取三维场景，基于随机渐进式光子映射生成待降噪图像，包括基于全局光子的渲染图像和基于焦散光子的渲染图像；将基于全局光子的渲染图像，输入到预训练的第一多重残差神经网络中，输出全局光子降噪图像；将基于焦散光子的渲染图像，输入到预训练的第二多重残差神经网络中，输出焦散光子降噪图像；将全局光子降噪图像和焦散光子降噪图像进行合成，得到最终的渲染图像。CN111445422ACN111445422A权利要求书1/2页1.基于神经网络的随机渐近式光子映射图像降噪方法，其特征是，包括：获取三维场景，基于随机渐进式光子映射生成待降噪图像，待降噪图像包括：基于全局光子的渲染图像和基于焦散光子的渲染图像；将基于全局光子的渲染图像，输入到预训练的第一多重残差神经网络中，输出全局光子降噪图像；将基于焦散光子的渲染图像，输入到预训练的第二多重残差神经网络中，输出焦散光子降噪图像；将全局光子降噪图像和焦散光子降噪图像进行合成，得到最终的渲染图像。2.如权利要求1所述的方法，其特征是，在得到基于全局光子的渲染图像步骤之后，在将基于全局光子的渲染图像，输入到预训练的多重残差神经网络中步骤之前，还包括：对全局光子的渲染图像进行归一化处理和对数变换处理；在得到基于焦散光子的渲染图像步骤之后，在将基于焦散光子的渲染图像，输入到预训练的多重残差神经网络中步骤之前还包括：对焦散光子的渲染图像进行归一化处理和对数变换处理。3.如权利要求1所述的方法，其特征是，在输出全局光子降噪图像步骤之后，在将全局光子降噪图像和焦散光子降噪图像进行合成步骤之前，还包括：对全局光子降噪图像进行指数变换处理；在输出焦散光子降噪图像步骤之后，在将全局光子降噪图像和焦散光子降噪图像进行合成步骤之前，还包括：对焦散光子降噪图像进行指数变换处理。4.如权利要求1所述的方法，其特征是，所述第一多重残差神经网络，具体结构包括：依次连接的多重残差提取模块、核预测模块和加权重建模块；所述多重残差提取模块，包括：依次连接的第一卷积层、第一整流线性单元、第二卷积层、若干个串联的多重残差格单元、第三卷积层和第一批归一化层；第二卷积层的输出端与第一批归一化层的输出端均与第一求和单元的输入端连接，第一求和单元的输出端与核预测模块的输入端连接；或者，所述多重残差格单元，包括：第一分支和第二分支；其中，第一分支，包括：依次连接的第四卷积层、第二批归一化层、第二整流线性单元、第五卷积层、第三批归一化层、concatenate函数层和第二求和单元；第二求和单元的输入端与第四卷积层的输入端连接；其中，第二分支，包括：依次连接的第六卷积层、第四批归一化层、第三整流线性单元、第七卷积层和第五批归一化层；第六卷积层的输入端与第四卷积层的输入端连接，第五批归一化层的输出端与concatenate函数层的输入端连接；其中，所述多重残差格单元的输入端为第四卷积层和第六卷积层，所述多重残差格单元的输出端为第二求和单元的输出端；或者，所述核预测模块，包括：依次连接的第八卷积层、第四整流线性单元和第九卷积层，其中第八卷积层与多重残差神经网络的加和单元的输出端连接，第九卷积层与加权重建模块的输入端连接；2CN111445422A权利要求书2/2页或者，所述加权重建模块，包括：依次连接的归一化指数函数层和加权重建单元；其中，归一化指数函数层与第九卷积层连接，加权重建单元的输入端还与第二卷积层的输出端连接，加权重建单元的输出端即为加权重建模块的输出端，加权重建单元的输出端也是多重残差神经网络的输出端。5.如权利要求1所述的方法，其特征是，所述预训练的第一多重残差神经网络的训练步骤包括：构建训练集；所述训练集，是使用随机渐进式光子映射获得若干组训练数据；将训练集输入到多重残差神经网络中，对多重残差神经网络进行训练，当损失函数达到最小值时或者迭代次数满足设定阈值时，停止训练，得到训练好的多重残差神经网络。6.如权利要求5所述的方法，其特征是，使用随机渐进式光子映射获得若干组训练数据；具体步骤包括