降噪的目的

光追、路径追踪都会产生噪点，需要降噪

实时路径追踪渲染中，降噪是重点

传统降噪方法

小波过滤

SVGF、BMFR

针对1 spp降噪

算法的基本思想：

通过帧间复用，累积多帧的采样数，从而提升1 spp到X spp
在Compute Shader中使用小波过滤、线性代数过滤等传统过滤方法对采样的图片降噪
结合TAA，实现抗锯齿

它们属于实时降噪，其中：
SVGF耗时：4ms
BMFR耗时：1.6ms

深度学习降噪方法

这是最近的趋势，目前已经有了深度学习蒙特卡洛实时渲染降噪，如WSPK，它只耗时7ms左右

深度学习蒙特卡洛降噪和深度学习图片降噪区别

前者多出了使用辅助特征来加速收敛，辅助特征包括：normal、world position、camera space depth、albedo等

深度学习蒙特卡洛降噪介绍

深度学习蒙特卡洛降噪主要包括LBF、KPCN、WPSK等算法

LBF
2015年提出，用于离线渲染降噪，属于参数预测
KPCN
2017年提出，用于离线渲染降噪
WSPK
2021年提出，用于实时渲染降噪，是对KPCN的改进

深度学习蒙特卡洛降噪的基本思想

主要包括下面几个部分：
输入->network->输出

其中，分为训练、推理两个阶段

在训练阶段中：
输入是包含辅助特征的多个patch数据，如对于KPCN而言，输入的tensor的shape为[64,28,128,128]，它是一个batch的输入数据，batch size为64，有28个channel，大小为（128宽，128高）
输出是包含颜色（也就是辐射亮度）的patch数据，如对于KPCN而言，输出的tensor的shape为[64,3,128,128]，它是一个batch的输出数据，batch size为64，有3个channel（辐射亮度的r、g、b），大小为128*128

在推理阶段中：
输入是包含辅助特征的整个场景图片，如对于KPCN而言，输入的tensor的shape为[1,28,720,1280]，它是一个batch的输入数据，batch size为1，有28个channel，大小为场景大小（这里为1280宽，720高）
输出是包含颜色（也就是辐射亮度）的整个场景图片，如对于KPCN而言，输出的tensor的shape为[1,3,720,1280]，它是一个batch的输出数据，batch size为1，有3个channel（辐射亮度的r、g、b），大小为场景大小（这里为1280宽，720高）

训练通常是离线的，它的dataset是预先准备好的图片。训练完成后，将模型数据保存到文件中。
推理通常是实时的，它的dataset是图片或者GPU数据（如WebGPU中的GBuffer数据，它保存了辅助特征以及color），需要先读取模型数据到network中

为了提高训练和推理速度，我们通常是优化network这部分：
如使用更快收敛的network，以及改进network的输出层（如通过核预测实现类似于softmax的输出）；
另外，对于WPSK而言，由于network使用了RepVGG块，可以通过结构重参数化来使得训练和推理的network的结构不一样（训练的network是多路架构，推理的network是单路架构），从而提高network的收敛速度