Denoiser sind heutzutage ein wichtiges Werkzeug, die benötigte Renderzeit zu reduzieren. Doch wie erzielen Denoiser diese Verbesserung?
Wer schon einmal ein Bild in Blenders Cycles (oder einen beliebig anderen Ray Tracer) gerendert hat, kennt sicher das Problem. Um eine gute Bildqualität zu erzielen, braucht das Rendern manchmal eine Ewigkeit. Dabei ist die Anzahl an Samples immer ein wichtiger Faktor. Doch wofür werden sie überhaupt verwendet? Hierfür müssen wir einen Abstecher in die Physik unternehmen.
Samples und Noise
Wir kennen ja aus der Physik, dass ein Lichtstrahl den gleichen Einfallswinkel wie Ausfallswinkel besitzt.
Würden wir einen Renderer nach diesem Modell gestalten, so würden wir stets klare Reflexionen herausbekommen. Dies ist jedoch äußerst unrealistisch. Um die Oberflächenbeschaffenheit besser darzustellen, muss man auf komplexere Shading Algorithmen zurückgreifen. Aber wir dürfen nicht vergessen, dass unsere ausgesendeten Strahlen jetzt eine Annäherung an die echte Welt sind. Sie bilden nur noch eine Variante, die ein Strahl nehmen könnte. Obwohl sich an den grundlegenden Prinzipien nichts verändert hat, dürfen wir nicht außer Acht lassen, dass für ein einzelnes Pixel eines Kamerabildes nicht nur ein Photon verantwortlich war. Das heißt aber auch, wir können nicht mehr als ein Strahl losenden, sondern mehrere. Je weniger Strahlen, also Samples, wir nutzen, desto mehr ist ein Rauschen im Bild ersichtlich. Lange war dies ein großes Problem gewesen, da die Sample fast der einzige Ansatzpunkt waren, um das Rauschen zu minimieren. Jedoch erhöhten sie die benötigte Renderingzeit maßgeblich.
KI schafft Abhilfe
Doch seit einigen Jahren haben wir eine neue Lösung für das Problem gefunden: Bildfilter. Jetzt könnte man sich zu Recht fragen, warum wir erst jetzt auf diese Idee gekommen sind, wenn es doch schon seit Jahren Bildbearbeitungsprogramme wie Photoshop und Gimp gibt. Na ja, gerade das Herausfinden von Strukturen aus wenigen, unzuverlässigen Bilddaten gestaltet sich mit klassischen Algorithmen schwer. Zu offensichtlich waren die Artefakte, die aus diesem Prozess resultierten. Doch genau in diesem Feld bietet sich neuronale Netzwerke sehr gut an. Man trainiert solch ein Netzwerk mit zwei Arten von Bildmaterial des gleichen Motivs. Eines wurde mit wenigen Samples gerendert, das andere mit vielen. Jetzt lässt man den Computer selber herausfinden, welche Anhaltspunkte auf bestimmte Bildstrukturen hindeuten. Hier spielt uns ein weiterer Vorteil von Computer generierten Bildern in die Hände. Das Rauschen ist nicht so zufällig, wie es auf den ersten Blick scheint. Hierdurch ist sehr wohl möglich, sehr gute Vorhersagen innerhalb eines Bildes zu machen. Zugleich können wir diese Programme so optimieren, dass sie nur einen minimalen Performanceverlust zur Folge haben. Genau das war in den letzten Jahren passiert. Heutzutage sind Denoiser in den größten Rendersoftwares, die auf Ray Tracing zurückgreifen, vertreten.
Schreibe einen Kommentar