高质量的计算机图形，在游戏、插图和可视化中无处不在，被认为是最先进的视觉显示技术。用于渲染高质量和真实图像的方法被称为“路径跟踪”，它利用基于监督机器学习的蒙特卡洛(MC)去噪方法。在该学习框架中，首先用有噪声和干净的图像对对机器学习模型进行预训练，然后将其应用于待渲染的实际有噪声图像(测试图像)。虽然在图像质量方面被认为是最好的方法，但如果测试图像与用于训练的图像明显不同，这种方法可能不会很好地工作。

为了解决这一问题，一组研究人员，包括韩国光州科学技术学院的博士生钟熙·白宗熙(Jonghee Back)和副教授文博昌(Bochang Moon)，越南VinAI研究所的研究科学家Binh-Son Hua，以及加拿大滑铁卢大学的副教授Toshiya Hachisuka，在一项新的研究中提出了一种新的MC去噪方法，该方法不依赖于参考。他们的研究于2022年7月24日在线发布，并发表在ACM SIGGRAPH 2022年会议论文集上。

“现有的方法不仅在测试和训练数据集非常不同的情况下失败，而且需要很长时间准备训练数据集来预训练网络。我们需要的是一个神经网络，它可以只使用测试图像进行训练，而不需要预先训练。”莫恩博士解释了他们研究背后的动机。

为了实现这一目标，该团队提出了一种新的去噪图像后校正方法，该方法包括一个自监督机器学习框架和一个后校正网络，基本上是一个卷积神经网络，用于图像处理。后校正网络不依赖于预训练的网络，可以在不依赖参考的情况下使用自我监督学习的概念进行优化。此外，自监督模型对传统的监督模型进行了去噪的补充和提升。

为了测试所提出的网络的有效性，该团队将他们的方法应用到现有的最先进的去噪方法。提出的模型证明，相对于输入图像，通过保留更精细的细节，渲染图像质量有三倍的提高。而且，整个动态训练和最终推理的过程只花了12秒!

“我们的方法是第一个不依赖于使用外部数据集进行预训练的方法。这实际上将缩短动画和电影等基于离线渲染的内容的制作时间，提高质量。”Moon博士说，推测他们工作的潜在应用。

事实上，这项技术可能很快就会被应用于视频游戏、增强现实、虚拟现实和元宇宙的高质量图形渲染中!

文章标题

Self-Supervised Post-Correction for Monte Carlo Denoising