大家好，本課是本次專題課的最後一節課，給出了未來的研究改進方向，謝謝！
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
未來的研究改進方向
1.等待WebNN Polyfill 支持WebGPU後端
2.使用WebGPU的GPU Buffer或者GPU Texture作爲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
3.與path tracer結合
4.使用多幀來累積spp(temporally accumulating)
對於訓練，加入累積spp的數據（參考wspk的dataset）
對於推理，使用累積spp的場景數據作爲輸入
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
對於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