深度學習降噪專題課：課程介紹

大家好~本課程基于全連接和卷積神經網絡，學習LBF等深度學習降噪算法，實現實時路徑追蹤渲染的降噪

本課程偏向于應用實現，主要介紹深度學習降噪算法的實現思路，演示實現的效果，給出實現的相關代碼

線上課程資料：
掃碼加QQ頻道，獲得相關代碼等資料，與群主交流討論：

本系列文章為線上課程的復盤，每上完一節課就會同步發布對應的文章

本文為第一節課：課程介紹的復盤文章

本課程系列文章可進入合集查看：
深度學習降噪專題課系列文章合集

為什么要學習深度學習？

我主要關注在圖形學中的應用，在“深度學習和圖形學渲染的結合和應用” 中總結了深度學習在圖形學中的部分應用。

具體來說應用包括下面幾個方面：

如上圖所示，左邊為路徑追蹤生成的有噪點的場景圖片，右邊為經過深度學習降噪后的清晰圖片

降噪主要使用深度學習中的卷積神經網絡，這也是本課程會重點學習的
在最新的論文中，已經實現了10ms降噪，從而可以用在實時渲染的全局光照中了！

具體說就是2D圖片轉成3D場景

比如谷歌之前發布的3D地圖，就是使用了該技術。它先從多個角度拍攝街道，然后通過深度學習中的NeRF將其轉換為可從任意視角觀看的3D模型

深度學習通過GAN網絡，可以將“我的世界”這種體素構成的3D場景，轉換為三角面構成的3D場景，從而可以實現玩家在游戲中既可以像我的世界那樣，通過操作體素的方式自定義世界，又可以切換到真實渲染模式（三角面組成的3D場景）查看渲染精美的3D場景

在Real-time Neural Radiance Caching for Path Tracing論文中，提出了使用深度學習實現輻照度緩存，從而加快路徑追蹤的渲染速度

在NeuMIP: Multi-Resolution Neural Materials論文中，提出了使用深度學習實現高清分辨率的紋理

本課程在《深度學習基礎課》的基礎上進行降噪專題的學習，請大家首先閱讀下面的資料，對深度學習基礎班的內容有一個大概的了解：
深度學習基礎課系列目錄

Rescript
Rescript以前叫Reasonml，它跟Typescript類似，都屬于編譯到Javascript的語言
Rescript是從Ocaml而來，基于函數式編程范式，高度優化了編譯后的Javascript，性能非常好，非常適合像深度學習這種處理數據的場景
Rescript的學習資料為：
官方文檔
WebGPU

課程內容包括：