大家好~本課程基於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
本課程偏向於應用實現，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：
本節課錄像回放
加QQ羣，獲得相關資料，與羣主交流討論：106047770
本系列文章爲線上課程的覆盤，每上完一節課就會同步發佈對應的文章
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
回顧上節課內容
回顧“深度學習蒙特卡洛降噪的基本思想”
介紹WSPK算法整體思想
WSPK針對KPCN，做了下面的優化：
- network使用了RepVGG塊，可以通過結構重參數化來使得訓練和推理的network的結構不一樣（訓練的network是多路架構，推理的network是單路架構），從而提高network的收斂速度
- network的最後一個RepVGG輸出important map+alpha map，然後通過類似於softmax的機制，實現kernel fusion，在輸出層輸出包含場景像素數據（輻射亮度：r、g、b）
這樣做的好處是減少了最後一個RepVGG輸出的範圍，加快了訓練輸出
網絡結構如下圖所示（只顯示了最後兩層）：
介紹整體實現思路
1.使用pytorch實現訓練，保存weight
2.使用WebNN實現推理，讀取weight
演示訓練、推理
使用webgl後端，場景大小爲256*256
耗時爲：
2015年的macbook pro：600ms
RTX2060s：60ms
使用webgpu後端，場景大小爲1280*720，RTX2060s：70ms
目前遇到的問題
- input with big image error for webgl backend: context lost
- WebGPU backend error: Binding size is smaller than the minimum binding size