Keypoints for Me
•
Write things that I found it most interesting and useful for my research
•
It also might include things that seem to by a new research topic
Critise
•
Write parts that I cannot understand or fully agree with the paper
•
Further used to look up other papers and might be erasable (erase with a strikethrough)
Minor Keypoints
•
Write minor parts that I would like to investigate further (e.g. analysis/implementation tips)
Reference
Leave related page links in this page or a title with a link to arXiv
Summary
Motivation
본 연구는 다양한 Monte Carlo Denoising나 Variance Reduction technique들로부터 얻은 이미지는 기존 렌더링 이미지와 다른, correlated(systematic) error(bias)를 가지고 있다고 말하고, 이는 기존 Monte Carlo Denoising 기법으로는 noise를 완벽하기 지우기 어렵다고 한다.
Regression 기반 denoising method인 NFOR[2]과 딥러닝 학습 기반 denoising method인 KPCN[3]은 CRN[4]을 거쳐 노이즈가 적은 렌더링 이미지에서(1st column) 노이즈를 전부 제거하는 대에 실패한다(2nd, 3rd column).
그래서 본 연구는 일반 렌더링 이미지 (independent pixel estimate)와 이미 디노이징 기법을 거친 이미지 (correlated pixel estimate)를 combination kernel를 통해 interpolate하여 기존 디노이징 기법의 correlated error를 지우고자 한다. 이를 위한 Combination kernel의 estimation을 위해서는 간단한 CNN(KPCN[1] 기반)을 학습한다.
