滤波(filtering):消除噪声
假设:
1.消除高频噪声
2.只讨论空间(spatial)
输入:
1.噪声图像
2.滤波核
输出:
滤波过后的图像
高斯滤波(Gaussian filtering)
像素的贡献度取决于像素间距离
代码结构:
由于归一化的操作不需要考虑滤波核的值只需要考虑形状而不会造成能量损失。
双边滤波(Bilateral Filtering)
高斯滤波的问题:
1.会把边界也糊掉
2.但是高频的边界是我们想要保持的
观察:
边界=剧烈变化的颜色
想法:
让颜色差距大的像素贡献变少
问题:无法分清噪声和边界(如果用G-buffer就没这个问题:比如使用albedo)
联合双边滤波(Joint/Cross Bilateral Filtering)
观察:
1.高斯滤波:一个标准(距离)
2.双边滤波:两个标准(距离,颜色)
3.可以用更多特性(features)来指导滤波
很多特性能够直接使用(G-buffer):
1.normal
2.depth
3.position
4.object ID
并且G-buffer是没有噪声的
注意:
1.滤波过程会做归一化
2.高斯函数不是唯一选择(距离的度量可以用不同的函数表示)
Large Filters
观察:
1.对于小的核问题不大
2.如果核变大,性能会急剧下降
两种解决方法:
1.Separate Passes:水平与竖直的拆分开来操作
原理:2D的高斯滤波核本身就是可拆分的
滤波就等于卷积,现在x方向上卷积再在y方向上卷积
问题:比较复杂的卷积核并不容易拆分(理论上讲,双边滤波是不能拆分的)
2.Progressively Growing Sizes:多次过滤(滤波核大小在改变)
深入理解:
1.为什么要逐渐增加size:使用大的滤波器是为了移除低频噪声
2.为什么跳过一些样本是可以的:采样就是重复频谱
Outlier Removal
图像可能会有很亮的点(outlier)
想法:
1.如何在滤波之前除掉outliers(注意:会导致能量损失)
2.如何定义outliers
Outlier detection:
1.对每个像素在一个邻域里计算均值和方差
2.对超出范围的点定义为outlier
Outlier removal:
把超出范围的值clamp掉(并不是置为0)
Temporal Clamping
在时间上也可以进行clamping,可以减轻残影问题,但是又会重新引入噪声问题。