大家好，本課是本次專題課的最后一節課，給出了未來的研究改進方向，謝謝！

加QQ群，獲得相關資料，與群主交流討論：106047770

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

未來的研究改進方向

1.等待WebNN Polyfill 支持WebGPU后端

2.使用WebGPU的GPU Buffer或者GPU Texture作為Network的輸入和輸出

參考資料：
https://www.w3.org/TR/webnn/#programming-model-device-selection

https://www.w3.org/TR/webnn/#api-ml

https://www.w3.org/TR/webnn/#api-mlcontext-webgpu-interop

https://www.w3.org/TR/webnn/#api-mlcommandencoder

Create tensor from GPUBuffer

3.與path tracer結合

4.使用多幀來累積spp(temporally accumulating)

對于訓練，加入累積spp的數據（參考wspk的dataset）

對于推理，使用累積spp的場景數據作為輸入

參考資料：

• wspk論文的相關描述：

Besides, temporally accumulating consecutive 1-spp frames can effectively improve the temporal stability and increase the effec- tive spp of each frame. We employ a temporal accumulation pre- processing step before sending the noisy inputs to the denoising pipeline just like [SKW? 17, KIM? 19, MZV? 20]. We first reproject the previous frame to the current frame with the motion vector and then judge their geometry consistency by world position and shad- ing normal feature buffers. Current frame pixels that passed the consistency test are blended with their corresponding pixels in the previous frame, while the failed pixels remain original 1 spp.

• wspk的相關實現
• bmfr的相關實現

對于Motion Vector造成的ghost問題，可參考下面的論文改進：Temporally Reliable Motion Vectors for Real-time Ray Tracing