降噪

降噪

发布于2025-11-19 · 更新于2025-11-19

#Denoise

目录

1. 1. 噪声的本质与降噪分类
   1. 1.1 噪声来源
   2. 1.2 降噪策略分类
   3. 1.3 关键指标
2. 2. 空间滤波
   1. 2.1 高斯模糊与双边滤波
      1. 高斯模糊（基线）
      2. 双边滤波（Bilateral Filter）
   2. 2.2 Edge-Avoiding À-Trous 小波变换
      1. 核心思想
      2. B3-Spline 卷积核
      3. 联合权重公式
      4. 完整 GLSL 实现（单 Pass）
   3. 2.3 SVGF（Spatiotemporal Variance-Guided Filtering）
      1. 完整管线
      2. 方差引导的关键公式
      3. 时域积累（Temporal Accumulation）
3. 3. 时域抗锯齿与历史帧复用
   1. 3.1 TAA（Temporal Anti-Aliasing）原理
   2. 3.2 历史帧混合与 Resolve
   3. 3.3 Ghost / Disocclusion 问题与对策
4. 4. 基于学习的降噪
   1. 4.1 OIDN（Intel Open Image Denoise）
   2. 4.2 NRD（NVIDIA Real-time Denoise）
   3. 4.3 神经网络降噪原理
      1. 训练数据构成
      2. 损失函数
      3. 推理加速技巧
5. 5. 离线渲染降噪
   1. 5.1 Monte Carlo 噪声特性
   2. 5.2 方差缩减技术（Variance Reduction）
      1. 重要性采样（Importance Sampling）
      2. 低差异序列（Quasi-Monte Carlo）
      3. 俄罗斯轮盘（Russian Roulette）
   3. 5.3 OptiX AI Denoiser
6. 6. 横向对比与选型指南
   1. 算法特性对比
   2. 选型决策树
   3. 常见调参经验
7. 7. 参考文献
   1. 核心论文
   2. 学习资源
8. ⚡ 速览层
   1. 🧠 一句话理解噪声
   2. 📇 算法速查卡
      1. 🔷 Bilateral Filter（双边滤波）
      2. 🔷 À-Trous 小波变换
      3. 🔷 SVGF（时空方差引导滤波）
      4. 🔷 TAA（时域抗锯齿）
      5. 🔷 NRD / REBLUR（NVIDIA 实时降噪）
      6. 🔷 OIDN（Intel 开放图像降噪）
      7. 🔷 OptiX AI Denoiser
   3. 🗺️ 30 秒选型
   4. 🔑 三个最重要的概念
   5. ⚠️ 工程常见坑

覆盖：空间滤波 · 时域抗锯齿 · 学习型降噪 · 离线渲染降噪
参考课程：GAMES202 实时高质量渲染

---

1. 噪声的本质与降噪分类

1.1 噪声来源

实时/离线渲染中的噪声本质上来自 Monte Carlo 积分的方差：

当 很小（如实时渲染中 ），采样估计的方差 很大，表现为画面上的随机噪点。

降噪的本质：在保留高频信号（边缘、细节）的前提下，对渲染结果进行低通滤波，等效于增大等效采样数 。

1.2 降噪策略分类

降噪策略
├── 空间域滤波（单帧内）
│   ├── 普通模糊（高斯、Box）- 无边缘感知
│   ├── 双边滤波（Bilateral）- 颜色/位置感知
│   ├── À-Trous 小波变换 - 大半径高效滤波
│   └── SVGF - 方差引导 + 时空联合
│
├── 时域复用（多帧积累）
│   ├── TAA（Temporal Anti-Aliasing）
│   └── 历史帧重投影 + EMA 混合
│
├── 学习型降噪（数据驱动）
│   ├── OIDN - 预训练卷积网络（离线）
│   ├── NRD - 实时神经辐射缓存
│   └── 端到端神经降噪（研究方向）
│
└── 离线特化
    ├── OptiX AI Denoiser
    ├── Adaptive Sampling
    └── 重要性采样 / 方差缩减

1.3 关键指标

指标	说明
PSNR（峰值信噪比）	，越高越好，通常 >30 dB 视为良好
SSIM（结构相似度）	感知质量度量，0~1，越接近 1 越好
时域稳定性	相邻帧间闪烁量，工程上常用帧差分方差衡量
延迟	滤波在帧时间中的占比，实时要求通常 <2 ms（4K/60fps）

---

2. 空间滤波

2.1 高斯模糊与双边滤波

高斯模糊（基线）

其中 为空间高斯核。

缺陷：对所有邻域像素一视同仁，导致边缘被模糊。

双边滤波（Bilateral Filter）

在空间核的基础上，增加值域核（Range Kernel），感知像素值的相似度：

直觉：只要你”离我近”且“长得像我”，我才受你影响。颜色突变处 ，边缘自然保留。

Joint Bilateral Filter（联合双边滤波）：值域核不使用被滤波图本身，而是使用辅助的 G-Buffer（法线、深度等）：

工程注意：对于直接光照和间接光照应分离滤波，再合并，可避免高频直接光照过度平滑。

---

2.2 Edge-Avoiding À-Trous 小波变换

核心思想

À-Trous（法语”带孔”）：在 5×5 卷积核的偏移中乘以步长 step，以 25 次固定采样覆盖更大半径，不同 Pass 中 step 指数增长：

Pass	step	等效覆盖半径
0	1	2 px
1	2	4 px
2	4	8 px
3	8	16 px
4	16	32 px

5 个 Pass 共 125 次采样，等效于半径 32px 的暴力滤波（需 次采样），效率提升约 33×。

B3-Spline 卷积核

标准的 À-Trous 核使用 B3-Spline，是对高斯的近似：

1/256  1/64   3/128  1/64   1/256
1/64   1/16   3/32   1/16   1/64
3/128  3/32   9/64   3/32   3/128
1/64   1/16   3/32   1/16   1/64
1/256  1/64   3/128  1/64   1/256

所有权重之和 = 1.0（归一化）。

联合权重公式

• ：颜色敏感度，越小越保守（越容易判定为边缘）。
• ：法线敏感度，建议 。
• ：深度敏感度，需按深度范围归一化。

完整 GLSL 实现（单 Pass）

// À-Trous 单 Pass — 外部循环控制 step（1, 2, 4, 8, 16）
uniform int   u_Step;       // 当前 Pass 步长
uniform float u_SigmaC;    // 颜色 Phi
uniform float u_SigmaN;    // 法线 Phi
uniform float u_SigmaZ;    // 深度 Phi

// B3-Spline 核权重（展平的 5x5）
const float kernel[25] = float[25](
    1./256., 1./64., 3./128., 1./64., 1./256.,
    1./64.,  1./16., 3./32.,  1./16., 1./64.,
    3./128., 3./32., 9./64.,  3./32., 3./128.,
    1./64.,  1./16., 3./32.,  1./16., 1./64.,
    1./256., 1./64., 3./128., 1./64., 1./256.
);

const ivec2 offset[25] = ivec2[25](
    ivec2(-2,-2), ivec2(-1,-2), ivec2(0,-2), ivec2(1,-2), ivec2(2,-2),
    ivec2(-2,-1), ivec2(-1,-1), ivec2(0,-1), ivec2(1,-1), ivec2(2,-1),
    ivec2(-2, 0), ivec2(-1, 0), ivec2(0, 0), ivec2(1, 0), ivec2(2, 0),
    ivec2(-2, 1), ivec2(-1, 1), ivec2(0, 1), ivec2(1, 1), ivec2(2, 1),
    ivec2(-2, 2), ivec2(-1, 2), ivec2(0, 2), ivec2(1, 2), ivec2(2, 2)
);

void main()
{
    ivec2 coord = ivec2(gl_FragCoord.xy);

    vec4  c_center = texelFetch(u_Color,  coord, 0);
    vec3  n_center = texelFetch(u_Normal, coord, 0).xyz;
    float z_center = texelFetch(u_Depth,  coord, 0).r;
    float dzdx     = dFdx(z_center);   // 深度梯度，用于斜面归一化
    float dzdy     = dFdy(z_center);

    vec4  sum  = vec4(0.0);
    float cumW = 0.0;

    for (int i = 0; i < 25; i++)
    {
        ivec2 q = coord + offset[i] * u_Step;

        // 颜色权重
        vec4  c_q  = texelFetch(u_Color, q, 0);
        float dc2  = dot(c_center - c_q, c_center - c_q);
        float c_w  = exp(-dc2 / u_SigmaC);

        // 法线权重
        vec3  n_q  = texelFetch(u_Normal, q, 0).xyz;
        float dn2  = max(dot(n_center - n_q, n_center - n_q), 0.0);
        float n_w  = exp(-dn2 / u_SigmaN);

        // 深度权重（梯度感知，抑制斜面上的误判）
        float z_q  = texelFetch(u_Depth, q, 0).r;
        float dz   = abs(z_center - z_q);
        float zVar = abs(dot(vec2(dzdx, dzdy), vec2(offset[i]) * float(u_Step))) + 1e-4;
        float z_w  = exp(-dz / zVar / u_SigmaZ);

        float w = c_w * n_w * z_w * kernel[i];
        sum  += c_q * w;
        cumW += w;
    }

    fragColor = sum / max(cumW, 1e-6);
}

工程要点

• 深度权重使用梯度感知归一化（zVar），防止斜面（grazing angle）上的假边缘。
• 多 Pass 之间 Ping-Pong FBO，上一 Pass 输出作为下一 Pass 的颜色输入。
• u_SigmaC 应随画面亮度动态调整（HDR 场景中高亮区域方差更大）。

---

2.3 SVGF（Spatiotemporal Variance-Guided Filtering）

论文：Schied et al., Spatiotemporal Variance-Guided Filtering, HPG 2017

SVGF 是目前实时光追降噪的工业标准基线，它在 À-Trous 的基础上增加了两个关键模块：时域积累 和 方差引导。

完整管线

每帧输入：1 SPP 路径追踪结果 + G-Buffer（法线/深度/材质ID）
          ↓
┌─────────────────────────────────────────┐
│  Step 1: 时域积累（Temporal Accumulation）│
│  - 重投影：将历史帧像素对齐到当前帧       │
│  - 有效性检测：法线/深度/ID 一致性        │
│  - EMA 混合：color_acc = α·cur + (1-α)·history │
│  - 同步积累方差：var_acc                  │
└─────────────────┬───────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│  Step 2: 方差空间滤波（3×3 高斯）        │
│  - 对积累方差 var_acc 做空间平滑         │
│  - 得到局部方差估计 var_filtered         │
└─────────────────┬───────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│  Step 3: À-Trous 空间滤波（5 Pass）     │
│  - 颜色边缘权重：σ_c 由 var_filtered 驱动│
│    c_w = exp(-|ΔL|² / (α·var + ε))     │
│  - 法线/深度权重同前                    │
└─────────────────────────────────────────┘
          ↓
     最终降噪输出

方差引导的关键公式

SVGF 中，颜色权重的 不再是常数，而由方差动态控制：

• ：时空积累得到的局部方差（经过空间平滑后更稳定）。
• ：调节灵敏度的超参数（论文建议 ）。
• ：防止除零的小量（如 ）。

直觉：高方差区域（噪点多）允许更大的颜色差异被视为”同类”，从而加强平滑；低方差区域（已收敛）则收紧阈值，保留细节。

时域积累（Temporal Accumulation）

// 重投影：从当前像素世界坐标反推历史帧 UV
vec2 motionVec   = texture(u_MotionVector, uv).xy;
vec2 historyUV   = uv - motionVec;    // 运动向量指向历史位置

// 有效性检测（任一失败则丢弃历史帧，alpha = 1）
bool valid = true;
valid = valid && all(greaterThanEqual(historyUV, vec2(0.0)));
valid = valid && all(lessThanEqual(historyUV, vec2(1.0)));
valid = valid && (abs(z_cur - z_hist) < depthThreshold);        // 深度一致
valid = valid && (dot(n_cur, n_hist) > normalThreshold);        // 法线一致（如 0.9）
valid = valid && (matID_cur == matID_hist);                     // 材质/物体 ID 一致

float alpha = valid ? 0.1 : 1.0;   // 历史帧权重（0.1 = 10帧指数平均）

vec4 color_acc = mix(color_history, color_cur, alpha);
// 方差的时域估计（Welford 在线算法 or 一阶矩/二阶矩法）
float mu1_acc  = mix(mu1_history, L_cur, alpha);
float mu2_acc  = mix(mu2_history, L_cur * L_cur, alpha);
float var_acc  = max(mu2_acc - mu1_acc * mu1_acc, 0.0);

常见问题：alpha = 0.1 意味着 EMA 等效约 10 帧，过小（如 0.01）导致 ghosting，过大（如 0.5）导致时域噪点残留。实践中可根据运动向量长度动态调整。

---

3. 时域抗锯齿与历史帧复用

3.1 TAA（Temporal Anti-Aliasing）原理

TAA 本质是将多帧 jitter 采样在时间轴上积累，等效于超采样（MSAA/SSAA）但无额外的帧内开销。

Jitter 策略：每帧在亚像素范围内偏移投影矩阵：

// Halton 低差异序列（推荐，比随机 jitter 更均匀）
float jx = (halton(frameIndex, 2) - 0.5f) / screenWidth;
float jy = (halton(frameIndex, 3) - 0.5f) / screenHeight;
projMatrix[2][0] += jx * 2.0f;
projMatrix[2][1] += jy * 2.0f;

Halton 序列的前 8 个样本（基数 2 和 3）：

帧
0	0.500	0.333
1	0.250	0.667
2	0.750	0.111
3	0.125	0.444
4	0.625	0.778
5	0.375	0.222
6	0.875	0.556
7	0.062	0.889

3.2 历史帧混合与 Resolve

// TAA Resolve Pass
vec2 velocity    = texture(u_Velocity, uv).xy;
vec4 cur         = texture(u_Current, uv);
vec4 hist        = texture(u_History, uv - velocity);

// --- Variance Clipping（方差裁剪，抑制 ghosting）---
// 在 3x3 邻域内计算当前帧的均值和方差，将历史帧裁剪到置信区间内
vec4 mu    = vec4(0.0);
vec4 sigma = vec4(0.0);
for (int dx = -1; dx <= 1; dx++)
for (int dy = -1; dy <= 1; dy++) {
    vec4 s = texture(u_Current, uv + vec2(dx, dy) * texelSize);
    mu    += s;
    sigma += s * s;
}
mu    /= 9.0;
sigma  = sqrt(max(sigma / 9.0 - mu * mu, 0.0));

// 将历史帧裁剪到 [μ - γσ, μ + γσ]
float gamma = 1.0;   // 建议 1.0~2.0
hist = clamp(hist, mu - gamma * sigma, mu + gamma * sigma);

// EMA 混合
fragColor = mix(hist, cur, 0.1);

3.3 Ghost / Disocclusion 问题与对策

问题	原因	对策
Ghosting（鬼影）	历史帧数据已过时但仍混入	Variance Clipping / Color AABB Clamping
Disocclusion（去遮挡）	物体移开后露出背景，历史帧无有效数据	深度/法线检测 + 快速重置 alpha
Aliased History（历史锯齿）	双线性插值历史帧引入新锯齿	Catmull-Rom 5-tap 重采样
Flickering（闪烁）	Variance Clipping 过激	动态调整 gamma，运动向量越大 gamma 越大

Catmull-Rom 5-tap 历史帧采样（比双线性更锐利，无新锯齿）：

// 对历史帧使用 Catmull-Rom 重采样（5 次采样近似）
vec4 sampleCatmullRom(sampler2D tex, vec2 uv, vec2 texSize)
{
    vec2 pos    = uv * texSize - 0.5;
    vec2 f      = fract(pos);
    vec2 tc     = floor(pos) + 0.5;

    // B-样条权重
    vec2 w0 = f * (-0.5 + f * (1.0 - 0.5 * f));
    vec2 w1 = 1.0 + f * f * (-2.5 + 1.5 * f);
    vec2 w2 = f * (0.5 + f * (2.0 - 1.5 * f));
    vec2 w3 = f * f * (-0.5 + 0.5 * f);

    vec2 w12   = w1 + w2;
    vec2 tc12  = (tc + w2 / w12) / texSize;
    vec2 tc0   = (tc - 1.0) / texSize;
    vec2 tc3   = (tc + 2.0) / texSize;

    return (texture(tex, vec2(tc12.x, tc0.y )) * w12.x
          + texture(tex, vec2(tc0.x,  tc12.y)) * w0.x
          + texture(tex, vec2(tc12.x, tc12.y)) * w12.x
          + texture(tex, vec2(tc3.x,  tc12.y)) * w3.x
          + texture(tex, vec2(tc12.x, tc3.y )) * w12.x) * (1.0 / (w12.x + w0.x + w3.x));
}

---

4. 基于学习的降噪

4.1 OIDN（Intel Open Image Denoise）

OIDN 是基于预训练 CNN 的离线/半实时降噪库，可在 CPU/GPU 上运行。

网络架构：改进的 U-Net，输入为 HDR 颜色 + 辅助 G-Buffer（法线、反射率）。

输入通道（可选组合）：
  color    (R, G, B)              ← 带噪声的 HDR 渲染结果（必须）
  albedo   (R, G, B)              ← 漫反射率（无光照），可选但显著提升质量
  normal   (X, Y, Z)              ← 世界空间法线，可选

输出：降噪后的 HDR 颜色

C++ 集成示例：

#include <OpenImageDenoise/oidn.hpp>

oidn::DeviceRef device = oidn::newDevice(oidn::DeviceType::Default);
device.commit();

oidn::FilterRef filter = device.newFilter("RT");  // 实时光追预设

filter.setImage("color",  colorBuffer,  oidn::Format::Float3, width, height);
filter.setImage("albedo", albedoBuffer, oidn::Format::Float3, width, height);
filter.setImage("normal", normalBuffer, oidn::Format::Float3, width, height);
filter.setImage("output", outputBuffer, oidn::Format::Float3, width, height);
filter.set("hdr", true);          // HDR 模式
filter.set("cleanAux", false);    // 辅助缓冲是否也有噪声
filter.commit();

filter.execute();  // 执行降噪

// 错误处理
const char* errorMessage;
if (device.getError(errorMessage) != oidn::Error::None)
    std::cerr << "OIDN Error: " << errorMessage << std::endl;

工程注意

• 输入颜色必须是线性 HDR（Gamma 空间会导致颜色偏移）。
• cleanAux = false 意味着法线/反射率也需降噪（推荐单独先 denoise auxiliary buffers）。
• 首次 execute 较慢（JIT 编译），生产环境建议预热。

4.2 NRD（NVIDIA Real-time Denoise）

NRD 是针对实时渲染设计的降噪框架，核心思想是将噪声数据拆解为低方差的辐照度估计 + 高频的材质反射率，分别降噪后重组。

信号分解：

降噪只作用于 ， 通过 G-Buffer 精确获取，因此降噪任务的信号方差更低。

主要降噪器：

降噪器	适用信号	特点
REBLUR	漫反射 GI / 镜面反射	时空自适应模糊，主力方案
RELAX	漫反射 GI（Lumen 使用）	基于 SVGF 扩展，对漫反射效果更好
SIGMA	阴影（硬/软）	专用阴影降噪，避免漏光
REFERENCE	调试用	无降噪，直接输出积累均值

REBLUR 核心思路（简化）：

1. 时域积累：基于运动向量重投影，追踪每像素的"有效历史帧数" hitT
2. 自适应模糊半径：radius ∝ 1 / sqrt(hitT)
   - 历史帧少（刚遮挡） → 大模糊，快速收敛
   - 历史帧多（稳定）   → 小模糊，保留细节
3. 空间模糊：在屏幕空间用法线/粗糙度感知的椭圆核进行模糊
4. 后处理：Anti-firefly（去火萤），稳定化

NRD SDK 集成要点（Vulkan/D3D12）：

// 1. 初始化 NRD
nrd::DenoiserCreationDesc desc = {};
desc.requestedDenoiserDescs    = {{ nrd::Denoiser::REBLUR_DIFFUSE_SPECULAR }};
nrd::CreateDenoiser(desc, m_Denoiser);

// 2. 每帧设置参数
nrd::CommonSettings commonSettings = {};
commonSettings.motionVectorScale[0] = 1.0f / screenWidth;
commonSettings.motionVectorScale[1] = 1.0f / screenHeight;
commonSettings.frameIndex           = m_FrameIndex;
// ... 填写 viewToClip, worldToView 等矩阵

// 3. 设置各降噪器参数
nrd::ReblurSettings reblurSettings = {};
reblurSettings.hitDistanceReconstructionMode = nrd::HitDistanceReconstructionMode::AREA_3X3;

// 4. 执行（生成 Dispatch List，调用你的 RHI 执行）
nrd::DispatchDesc dispatches[16];
uint32_t dispatchCount;
nrd::GetComputeDispatches(m_Denoiser, &commonSettings, &reblurSettings, 1, dispatches, dispatchCount);
// 遍历 dispatches 并执行 Compute Shader

4.3 神经网络降噪原理

训练数据构成

输入	说明
Noisy Image（1~16 SPP）	带噪声的低采样渲染
Reference Image（4096 SPP）	Ground Truth
G-Buffer（法线/反射率/深度）	结构辅助信息

损失函数

简单 L1/L2 损失会偏好模糊，感知质量差。工业实践常用：

推理加速技巧

• FP16 量化：权重和激活使用 16-bit 浮点，速度 2×，质量损失极小。
• TensorRT 优化：算子融合 + Kernel 自动调优，RTX GPU 上可达实时（<2 ms）。
• 滑动窗口推理：对 4K 分辨率分 Tile 推理，控制显存占用。
• 知识蒸馏：用大模型训练小模型，以 90% 的质量换取 5× 的速度。

---

5. 离线渲染降噪

5.1 Monte Carlo 噪声特性

离线渲染（电影/产品级）的 Monte Carlo 积分噪声具有以下特点：

• 高动态范围（HDR）：直接光 firefly 可达正常像素亮度的 倍以上。
• 结构性噪声：噪声分布受 BSDF、光源分布影响，不是均匀白噪声。
• 路径长度相关：间接光照噪声远大于直接光照。

5.2 方差缩减技术（Variance Reduction）

这些技术在采样阶段减少噪声，是降噪的前置优化。

重要性采样（Importance Sampling）

按被积函数形状分配采样密度：

实践中的应用：

• BRDF 采样：按 GGX/Beckmann lobe 形状采样 。
• 光源采样（Next Event Estimation）：直接采样光源，避免大量无贡献路径。
• MIS（Multiple Importance Sampling）：结合 BRDF 和光源采样，取长补短：

低差异序列（Quasi-Monte Carlo）

用 Halton、Sobol 等低差异序列替代随机采样，同等采样数下方差更低：

// Sobol 序列（维度 0 和 1）
float sobol2D(uint index, uint scramble0, uint scramble1) {
    // ... Owen scrambling for better high-dimensional distribution
}

// 实践：每像素用不同 scramble，避免全局相关性
uint scramble = xxhash(pixelX ^ (pixelY << 16) ^ frameIndex);

俄罗斯轮盘（Russian Roulette）

以概率 终止路径，存活路径权重放大 ，期望无偏但减少无效长路径：

// 在每次反弹后
float q = min(throughput.maxComponent(), 0.95f);  // 最大分量作为存活概率
if (rand() > q) break;   // 终止
throughput /= q;          // 放大权重，保持无偏

5.3 OptiX AI Denoiser

NVIDIA OptiX 内置的 AI 降噪器，用于离线渲染后处理。

特点：

• 训练于海量电影级渲染数据。
• 支持 AOV（Arbitrary Output Variables）：法线、反射率、深度单独输入。
• 支持时域模式（需提供运动向量），大幅减少闪烁。
• 支持 HDR 输入，火萤抑制能力强。

OptiX 7 集成示例：

// 创建降噪器
OptixDenoiser denoiser;
OptixDenoiserOptions options = {};
options.guideAlbedo = 1;   // 使用反射率辅助
options.guideNormal = 1;   // 使用法线辅助
OPTIX_CHECK(optixDenoiserCreate(optixContext,
    OPTIX_DENOISER_MODEL_KIND_HDR, &options, &denoiser));

// 配置
OptixDenoiserSizes sizes;
OPTIX_CHECK(optixDenoiserComputeMemoryResources(denoiser, width, height, &sizes));

// 分配状态/临时缓冲
CUdeviceptr d_state, d_scratch;
cudaMalloc((void**)&d_state,   sizes.stateSizeInBytes);
cudaMalloc((void**)&d_scratch, sizes.withoutOverlapScratchSizeInBytes);

OPTIX_CHECK(optixDenoiserSetup(denoiser, stream,
    width, height, d_state, sizes.stateSizeInBytes,
    d_scratch, sizes.withoutOverlapScratchSizeInBytes));

// 每帧执行
OptixDenoiserLayer layer = {};
layer.input.data   = d_noisyColor;
layer.input.format = OPTIX_PIXEL_FORMAT_FLOAT3;
layer.input.width  = width;
layer.input.height = height;
layer.input.rowStrideInBytes = width * sizeof(float3);
layer.output = layer.input;
layer.output.data  = d_outputColor;

OptixDenoiserGuideLayer guideLayer = {};
guideLayer.albedo.data = d_albedo;
guideLayer.normal.data = d_normal;
// ... 填写 format/width/height/rowStride

OPTIX_CHECK(optixDenoiserInvoke(denoiser, stream,
    &denoiserParams, d_state, sizes.stateSizeInBytes,
    &guideLayer, &layer, 1,
    0, 0,  // tile offset
    d_scratch, sizes.withoutOverlapScratchSizeInBytes));

---

6. 横向对比与选型指南

算法特性对比

算法	类型	帧延迟	时域稳定性	边缘质量	工程难度	适用场景
Bilateral Filter	空间	极低	✗（单帧）	★★★	低	轻量后处理、原型验证
À-Trous（单帧）	空间	低	✗	★★★★	低	无历史帧场景（如截图工具）
SVGF	时空	低	★★★	★★★★	中	实时光追基线
TAA	时域	低	★★★★	★★★	中	抗锯齿标配，配合其他降噪使用
NRD (REBLUR)	时空	低	★★★★★	★★★★★	高	AAA 游戏实时光追
OIDN	学习型	高（数十ms）	★★（需配合TAA）	★★★★★	低	离线渲染、工具链
OptiX Denoiser	学习型	高	★★★★	★★★★★	中	离线渲染（NVIDIA GPU）

选型决策树

你的目标场景是？
├── 实时渲染（<16 ms 帧预算）
│   ├── 是否有光追 GI/阴影？
│   │   ├── 是 → NRD（工业标准）或 SVGF（自研基线）
│   │   └── 否 → TAA 通常已足够
│   └── 显存极限（如移动端）？
│       └── 是 → À-Trous 单帧（最轻量）
│
└── 离线渲染 / 工具链
    ├── NVIDIA GPU？
    │   ├── 是 → OptiX AI Denoiser
    │   └── 否 → OIDN（跨平台 CPU/GPU）
    └── 需要自定义训练？
        └── 是 → 基于 U-Net 构建，参考 KPCN/OIDN 论文

常见调参经验

SVGF：
  alpha (EMA) = 0.1        # 历史帧权重，鬼影/噪点 trade-off
  sigmaL = 4.0             # 方差引导系数
  sigmaN = 128.0           # 法线敏感度（点积空间）
  sigmaZ = 1.0             # 深度敏感度

TAA：
  blendFactor = 0.1        # 每帧混合比例
  varianceGamma = 1.0      # Variance Clipping 范围（1.0~2.0）
  jitterScale = 1.0        # Jitter 幅度（Halton，亚像素范围）

À-Trous：
  c_phi = 1.0~4.0          # 颜色敏感度（HDR 场景需更大）
  n_phi = 0.1~0.5          # 法线敏感度
  z_phi = 0.5~2.0          # 深度敏感度
  passes = 4~5             # 更多 Pass = 更大半径但更易过模糊

---

7. 参考文献

核心论文

论文	会议/年份	关键贡献
Tomasi & Manduchi, Bilateral Filtering for Gray and Color Images	ICCV 1998	双边滤波原型
Dammertz et al., Edge-Avoiding À-Trous Wavelet Transform for Fast Global Illumination Filtering	HPG 2010	À-Trous 降噪
Schied et al., Spatiotemporal Variance-Guided Filtering	HPG 2017	SVGF
Chaitanya et al., Interactive Reconstruction of Monte Carlo Image Sequences using a Recurrent Denoising Autoencoder	SIGGRAPH 2017	循环神经降噪
Bako et al., Kernel-Predicting Convolutional Networks for Denoising Monte Carlo Renderings	SIGGRAPH 2017	KPCN
Schied et al., Gradient Estimation for Real-Time Adaptive Temporal Filtering	SIGGRAPH Asia 2018	SVGF 梯度扩展
Liu et al., NRD: NVIDIA Real-time Denoiser	GDC 2021	NRD 工业实现

学习资源

• GAMES202：闫令琪，实时高质量渲染，Lecture 10~12（降噪专题）
• Shadertoy À-Trous 实现：https://www.shadertoy.com/view/ldKBzG
• NRD SDK：https://github.com/NVIDIAGameWorks/RayTracingDenoiser
• OIDN 文档：https://www.openimagedenoise.org/documentation.html
• OptiX 文档：https://raytracing-docs.nvidia.com/optix8/guide/

⚡ 速览层

用于快速回忆核心概念。每个算法一张卡片，深入内容见对应章节。

---

🧠 一句话理解噪声

渲染噪声 = Monte Carlo 积分的方差。每像素采样数 越少，方差越大。
降噪的本质 = 在保留边缘的前提下做低通滤波，等效增大 。

---

📇 算法速查卡

🔷 Bilateral Filter（双边滤波）

本质	高斯模糊 × 值域相似度权重，相似才参与平均
公式核心
解决什么	普通模糊糊掉边缘的问题
局限	单帧，无时域信息；大核性能差
适用	轻量后处理、原型验证
深入	→ 2.1 节

---

🔷 À-Trous 小波变换

本质	带孔卷积 = 固定 25 次采样，步长指数增大，覆盖大半径
关键数字	5 Pass × 25 采样 = 等效 32px 半径，效率约普通模糊的 33×
权重构成
解决什么	在 À-Trous 大半径滤波中保留几何/纹理边缘
局限	单帧；无法自适应方差；σ 参数需手动调
适用	无历史帧场景、SVGF 的空间滤波模块
深入	→ 2.2 节

---

🔷 SVGF（时空方差引导滤波）

本质	À-Trous + 时域积累 + 方差自动驱动滤波强度
管线	时域积累 → 方差空间平滑 → À-Trous（5 Pass）
关键公式	$w_c = \exp!\left(-\frac{
解决什么	À-Trous 单帧噪点残留 + σ 参数难调问题
局限	高速运动场景历史帧失效；间接光时域不稳定
适用	实时光追降噪基线（自研首选）
深入	→ 2.3 节

---

🔷 TAA（时域抗锯齿）

本质	每帧亚像素 Jitter，历史帧 EMA 积累 = 时域超采样
关键操作	重投影（运动向量）→ Variance Clipping → EMA 混合
Jitter 推荐	Halton(2,3) 序列，8 帧循环
解决什么	锯齿 + 低采样噪声，零帧内开销
局限	运动/遮挡边缘 ghosting；需要正确的运动向量
适用	几乎所有实时渲染管线的标配组件
深入	→ 3 节

---

🔷 NRD / REBLUR（NVIDIA 实时降噪）

本质	信号分解（反射率 × 辐照度）+ 自适应半径时空模糊
核心思路	只对低频辐照度 降噪，反射率 从 G-Buffer 精确重建
自适应半径	：历史少→大模糊；历史多→小模糊
解决什么	SVGF 在镜面/光泽材质和高速运动场景的质量不足
局限	集成复杂（需 Vulkan/D3D12）；调参成本高
适用	AAA 游戏实时光追（工业标准）
深入	→ 4.2 节

---

🔷 OIDN（Intel 开放图像降噪）

本质	预训练 U-Net CNN，输入噪声图 + G-Buffer，直接输出干净图
输入	color（必须）+ albedo + normal（可选但推荐）
要求	输入必须是线性 HDR，非 Gamma 空间
解决什么	离线渲染场景的一键高质量降噪，无需手调参数
局限	延迟数十 ms，时域稳定性差（需配合 TAA）
适用	离线渲染工具链、截图/烘焙工具
深入	→ 4.1 节

---

🔷 OptiX AI Denoiser

本质	NVIDIA GPU 专用预训练降噪器，集成于 OptiX 渲染框架
优势	支持 AOV 辅助 + 时域模式（运动向量）+ 强 firefly 抑制
限制	仅 NVIDIA GPU；需 CUDA/OptiX 环境
适用	电影/产品级离线渲染（NVIDIA 生态）
深入	→ 5.3 节

---

🗺️ 30 秒选型

实时渲染？
  有光追 GI → NRD（工业）或 SVGF（自研）
  纯光栅化 → TAA 足够
  移动/极限显存 → À-Trous 单帧

离线渲染？
  NVIDIA GPU → OptiX Denoiser
  跨平台    → OIDN

---

🔑 三个最重要的概念

1. Joint Bilateral：用法线/深度辅助判断边缘，比单纯颜色双边滤波准确得多。G-Buffer 是降噪质量的天花板。
2. 方差引导（SVGF 核心）：噪点多的地方大力模糊，已收敛的地方轻触，σ 不是常数而是实时估计的方差。
3. 信号分解（NRD 核心）：，反射率高频从 G-Buffer 精确获取，只对低频辐照度做降噪，任务难度大幅降低。

---

⚠️ 工程常见坑

坑	症状	解法
σ 过小	降噪不足，噪点残留	增大 c_phi，或开启方差引导
σ 过大	过模糊，边缘丢失	减小 c_phi，增加法线/深度权重
TAA ghosting	运动物体有拖影	检查运动向量精度；加强 Variance Clipping
历史帧闪烁	画面抖动	提高历史帧权重（降低 blend alpha）
HDR firefly	亮点爆炸	À-Trous 前做 clamp；或用 NRD Anti-firefly
OIDN 颜色偏移	降噪后色调偏暖/偏冷	确认输入为线性空间，非 sRGB
深度边缘误判	斜面上出现假边缘	À-Trous 深度权重加梯度感知归一化

---