Modèles de rendu Monte Carlo débruités combinés avec JDKPNet dans des scénarios d'application de design artistique

Dans l'industrie du design artistique et des effets visuels, une technologie de rendu efficace est cruciale pour améliorer l'expérience visuelle et répondre aux besoins esthétiques des utilisateurs. Cependant, la méthode traditionnelle de rendu par lancer de rayons Monte Carlo présente des problèmes de coût computationnel élevé et de bruit excessif. Ainsi, l'étude propose une structure de réseau combinant la prédiction directe et la prédiction par noyau pour construire un modèle de rendu Monte Carlo débruité basé sur la structure de réseau de neurones à fréquence d'images interactive traditionnelle et en vérifie l'efficacité. Les résultats expérimentaux ont montré que, alors que les autres scénarios ont donné les mêmes résultats, la valeur de l'erreur quadratique moyenne dans le scénario de la chambre était de 5.83 10-3, son rapport signal-à-bruit maximal était de 29.34, et sa valeur de similarité structurelle était de 0.95, toutes supérieures à celles de la méthode de comparaison. Dans les expériences d'ablation du modèle, les valeurs moyennes du rapport signal-à-bruit maximal et de similarité structurelle étaient plus élevées que celles obtenues par la méthode de sélection de comparaison. L'erreur quadratique moyenne du réseau de prédiction conjointe construit dans l'ordre du réseau de prédiction directe et du réseau de prédiction par noyau était de 8.39 10-3, ce qui était inférieur à la méthode de sélection de comparaison. La valeur moyenne du rapport signal-à-bruit maximal lors de l'utilisation du module d'accumulation de temps adaptatif était de 31.07, cependant, le rapport signal-à-bruit maximal lors de l'utilisation d'un filtrage bilatéral pour créer des poids de noyau était allant jusqu'à 35.35. Comparé au modèle standard de rendu Monte Carlo débruité, le modèle proposé a montré de meilleures performances dans les expériences de comparaison de modèles et l'a surpassé dans les expériences d'ablation de modèle, fournissant des directives pour améliorer la qualité des images utilisées dans les applications de design artistique. Cette étude propose non seulement des solutions innovantes aux défis technologiques, mais fournit également une base théorique et expérimentale pour améliorer la qualité des images dans des applications artistiques et de design en temps réel.