Méthodes de débruitage par apprentissage profond pour le rendu de Monte Carlo spectral

Light-transport Simulation and Machine Learning

• Auteur / Autrice : Mathieu Noizet
• Direction : Laurent Lucas, Luiz Angelo Steffenel
• Type : Thèse de doctorat
• Discipline(s) : Info - Informatique
• Date : Soutenance le 29/09/2025
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique en Calcul Intensif et Image pour la Simulation (LICIIS) - UR 3690 LRC DIGIT (Reims, Marne)
• Jury : Président / Présidente : Christophe Fiorio
• Jury : Examinateurs / Examinatrices : Laurent Lucas, Luiz Angelo Steffenel, Benoît Crespin, Christophe Renaud, Stéphanie Prévost, Philippe Porral
• Jury : Rapporteurs / Rapporteuses : Benoît Crespin, Christophe Renaud

Mots clés

Mots clés contrôlés

Polarisation (lumière)

Échantillonnage adaptatif (statistique)

Analyse en composantes principales

Bruit électromagnétique

Métamérisme (optique)

Lumière -- Diffusion

Lumière -- Propagation

Méthode de Monte-Carlo

Apprentissage profond

Mots clés libres

Équation de transport de la lumière

Ia

Rendu hyperspectral

Polarisation

Light transport equation

Ai

Hyperspectral rendering

Polarisation

Résumé

Le rendu spectral représente aujourd’hui la méthode la plus précise pour simuler de manière prédictive l’équation de transport de la lumière, en tenant compte de phénomènes complexes dépendant de la longueur d’onde, tels que la dispersion ou le métamérisme. Cependant, cette précision a un coût : ces approches requièrent un nombre d’échantillons nettement plus élevé et des temps de calcul bien supérieurs à ceux des méthodes trichromatiques classiques, comme celles utilisant l’espace colorimétrique RGB, afin de couvrir correctement le spectre visible et produire des images sans bruit.Pour pallier ces limitations, plusieurs axes d’optimisation peuvent être envisagés : débruitage, échantillonnage adaptatif post-débruitage, ou encore réduction du bruit via des améliorations internes au moteur de rendu. Dans ce travail, nous nous concentrons principalement sur le développement d’un débruiteur spécifiquement conçu pour le rendu spectral, capable de préserver la cohérence du spectre lumineux afin de restituer fidèlement les phénomènes optiques simulés.Notre approche consiste à discrétiser le spectre en un ensemble de bandes traitées individuellement, ce qui rend le débruitage indépendant du nombre de bandes. Une étape de compression de type ACP (analyse en composantes principales) est ensuite appliquée pour extraire une représentation globale du spectre, permettant de préserver sa cohérence. Cette image paramétrique, combinée à des données auxiliaires telles que les normales, la profondeur, et un albédo spectral discrétisé de manière similaire, sert de guide au processus de débruitage.Par ailleurs, afin de mieux comprendre les performances de notre modèle, nous avons amorcé une réflexion sur les métriques d’évaluation, souvent moins cohérentes qu’en RGB, afin d’en cerner les limites dans le domaine spectral.Enfin, nous avons intégré notre méthode dans un pipeline complet au sein de Mitsuba 3, permettant l’analyse des sorties du débruiteur dans le cadre d’un échantillonnage adaptatif.Nos expérimentations montrent que notre approche dans le domaine spectral surpasse les techniques de débruitage RGB récentes, tout en préservant la fidélité radiométrique des images produites. Ces résultats ouvrent la voie à une utilisation industrielle du rendu spectral prédictif dans un cadre quasi-interactif.

Spectral rendering is currently the most accurate method for predictive simulation of the light transport equation, taking into account complex wavelength-dependent phenomena such as dispersion and metamerism. However, this accuracy comes at a cost: these approaches require a significantly higher number of samples and much longer computation times than conventional trichromatic methods, such as those using the RGB color space, in order to adequately cover the visible spectrum and produce noise-free images.To overcome these limitations, several optimization approaches can be considered: denoising, adaptive post-denoising sampling, or noise reduction through internal improvements to the rendering engine. In this work, we focus primarily on the development of a denoiser specifically designed for spectral rendering, capable of preserving the coherence of the light spectrum in order to faithfully reproduce the simulated optical phenomena.Our approach consists of discretizing the spectrum into a set of individually processed bands, which makes noise reduction independent of the number of bands. A PCA (principal component analysis) compression step is then applied to extract an overall representation of the spectrum, preserving its consistency. This parametric image, combined with auxiliary data such as normals, depth, and a similarly discretized spectral albedo, serves as a guide for the denoising process.In addition, in order to better understand the performance of our model, we have begun to reflect on evaluation metrics, which are often less consistent than in RGB, in order to identify their limitations in the spectral domain.Finally, we have integrated our method into a complete pipeline within Mitsuba 3, allowing the analysis of the denoiser's outputs in the context of adaptive sampling.Our experiments show that our approach in the spectral domain outperforms recent RGB denoising techniques, while preserving the radiometric fidelity of the images produced. These results pave the way for industrial use of predictive spectral rendering in a quasi-interactive setting.