Sampling und Denoising

Sampling ist die Methode, wie Render-Engines Lichtpfade berechnen; Denoising bezeichnet Techniken, die das entstehende Bildrauschen mit klassischen oder KI-basierten Algorithmen entfernen.

Rubrik: Animation & VFX · Unterrubrik: Render-Engines · Niveau: Fortgeschritten Synonyme / Auch bekannt als: Render-Sampling, AI Denoising, Monte-Carlo-Integration, Sample Count

Was ist Sampling und Denoising?

Jeder Path-Tracing-Renderer (vgl. Cycles Render Engine, Arnold Renderer, Octane Renderer) berechnet Bilder durch zufälliges Sampling von Lichtpfaden. Wenige Samples ergeben ein verrauschtes Bild; viele Samples ein glattes, korrektes Bild. Da das Rendern langer Sample-Counts teuer ist, kommen Denoising-Algorithmen zum Einsatz: Sie entfernen Rauschen aus einem Bild mit vergleichsweise wenigen Samples und beschleunigen damit die gesamte Rendering-Pipeline erheblich.

Erklärung

Monte-Carlo-Sampling

Die mathematische Grundlage des Path Tracings ist das Monte-Carlo-Verfahren: Die Rendering-Gleichung (ein mehrdimensionales Integral) wird durch zufälliges Sampling approximiert. Für jeden Pixel werden N Strahlen ausgeschickt; die durchschnittliche Leuchtdichte dieser Strahlen approximiert den korrekten Pixelwert.

Konvergenzrate: Der Fehler (Rauschen) sinkt mit ~1/√N. Um die Rausch-Standardabweichung zu halbieren, muss man viermal so viele Samples rendern. Das macht brute-force Sampling teuer.

Wichtige Sampling-Begriffe:

• SPP (Samples per Pixel): Wie viele Strahlen pro Pixel gesendet werden.
• AA-Samples (Anti-Aliasing Samples): In Arnold Renderer das Haupt-Sampling-Level; AA=3 bedeutet 3×3=9 SPP.
• Path Depth / Bounces: Wie oft ein Lichtpfad nach einer Oberflächen-Interaktion fortgesetzt wird.
• Adaptive Sampling: Automatische Erhöhung der Samples in schwer konvergierenden Bildregionen (vgl. Cycles Render Engine).

Stratifiziertes Sampling und Blue Noise

Reines zufälliges (weißes Rauschen) Sampling konvergiert, aber stratifiziertes Sampling (Jitter) verteilt Samples gleichmäßiger über den Pixel und konvergiert schneller. Blue Noise-Sampling (Poisson-Disk-artige Verteilung) ist visuell noch angenehmer, da das Rauschen eine andere Frequenzcharakteristik hat, die für das menschliche Auge weniger störend ist.

Fireflies

Fireflies sind helle, einzelne Pixel-Ausreißer im gerenderten Bild. Sie entstehen, wenn ein seltener Lichtpfad eine sehr hohe Energie transportiert (z. B. ein direkter Kaustiken-Pfad durch eine Linse). Da dieser Pfad selten gesampelt wird, mittelt er nicht korrekt mit anderen Samples und erscheint als heller Punkt.

Lösungen:

• Clamp (Firefly-Clamp): Extreme Pixelwerte werden auf einen Maximalwert begrenzt. Effektiv gegen Fireflies, aber kann Glanz und Kaustiken dunkler machen.
• Mehr Samples: Mehr Samples mitteln den Firefly heraus – teuer.
• MIS (Multiple Importance Sampling): Intelligenteres Sampling, das seltene Pfade häufiger berücksichtigt; reduziert Fireflies strukturell.
• Light-Path-Filter (Arnold): Bestimmte Licht-Pfad-Typen (z. B. Caustics) können limitiert werden.

KI-Denoising: Die Revolution

Der Durchbruch im Rendering kam mit KI-basierten Denoisern ab 2017–2018. Diese neuronalen Netze werden mit Bildpaaren trainiert: noisy (wenige Samples) und clean (viele Samples). Nach dem Training können sie Rauschen in Millisekunden entfernen, anstatt Stunden weiterer Samples zu benötigen.

NVIDIA OptiX Denoiser (2017): Nvidias erster KI-Denoiser, basierend auf einem Convolutional Neural Network. Läuft vollständig auf der GPU. Nutzt Auxiliary-Features (Albedo, Normal) für bessere Ergebnisse. Integriert in Cycles Render Engine, Arnold Renderer, V-Ray Renderer, Redshift Renderer und viele andere.

Intel Open Image Denoise (OIDN, 2019): Offene, CPU-basierte KI-Denoising-Bibliothek von Intel. Keine NVIDIA-GPU erforderlich; funktioniert auf jeder CPU. Qualität vergleichbar mit OptiX. Integriert in Cycles Render Engine, Blender, viele andere Renderer.

NVIDIA AI Denoiser (NRD / ReLAX, 2020+): Fortgeschrittenere Variante speziell für Echtzeit-Rendering; genutzt in Unreal Engine Rendering mit Lumen.

Herstellerspezifische Denoiser:

• V-Ray Denoiser: Eigene Implementierung mit Render-Element-Awareness.
• Corona AI Denoiser: OIDN + OptiX-Integration.
• Arnold Noice: Arnolds eigenes Denoising-Werkzeug, das auf Render-Elements (AOVs) arbeitet.

Temporales Denoising für Animation

Das größte Problem mit Bild-für-Bild-Denoising bei Animationen: Flimmern (Temporal Flickering). Wenn jedes Frame unabhängig gedenoised wird, können Details (Texturen, Spiegelungen) zwischen Frames leicht unterschiedlich rekonstruiert werden – das Auge sieht das Flimmern sofort.

Temporal Denoiser nutzen Informationen aus vorherigen Frames (über Motion Vectors für Objekt-Bewegung kompensiert), um konsistentere Ergebnisse zu erzielen:

• OptiX Temporal: NVIDIAs temporaler Modus nutzt Motion Vectors.
• Blender Temporal Denoise: In Blenders Compositing als „Denoise"-Node mit Temporal-Option.
• OIDN 2.0 (2023): Neue Version mit integriertem Temporal-Modus.
• Unreal Engine TAA + Denoiser: Kombination aus Temporal Anti-Aliasing und Denoising.

Render-Passes und Denoising

Ein wichtiger Trick in der Produktionspipeline: Denoising auf Render-Pass-Ebene statt auf dem finalen Beauty-Pass. Arnold Renderer und V-Ray Renderer bieten AOV-Denoising (vgl. Render-Engine Grundlagen für AOV-Erklärung). Das Ergebnis ist qualitativ besser, da der Denoiser spezialisierter auf den jeweiligen Pass-Typ trainiert wird (z. B. Diffuse Indirect separat von Specular).

Beispiele

• Blender Animation mit 64 SPP + OIDN: Statt 2048 SPP für rauschfreie Qualität reichen 64 SPP + OIDN-Temporal für saubere Animationen.
• Arnold auf der Farm: Studios nutzen typischerweise AA=4–6 + Denoiser statt AA=10+ ohne Denoiser; das spart 50–75% Renderzeit.
• Echtzeit-Denoising: Unreal Engine Rendering mit Lumen nutzt Temporal Accumulation und Denoise-Passes, um im Echtzeit-Kontext akzeptable Qualität zu erzielen.

In der Praxis

Empfehlungen für Denoising-Einstellungen:

Vergleich & Abgrenzung

Denoising ist kein Ersatz für ausreichende Samples – bei sehr wenigen Samples (< 32 SPP) halluziniert der KI-Denoiser Details, die nicht korrekt sind (Smearing, falsche Texturen). Ein gutes Gleichgewicht aus Samples und Denoising ist entscheidend.

Häufige Fragen (FAQ)

Wie wenige Samples kann ich mit KI-Denoising nutzen? Für Standbilder: 64–128 SPP als Richtwert. Für Animation: 128–256 SPP für den Temporal Denoiser. Unter 32 SPP entstehen meist sichtbare KI-Artefakte.

Ist OIDN oder OptiX besser? Die Qualität ist ähnlich; OIDN hat den Vorteil, ohne NVIDIA-GPU zu funktionieren. OptiX ist auf NVIDIA-GPUs schneller. Die Wahl hängt von der Hardware ab.

Können Fireflies nach dem Denoising noch sichtbar sein? Ja, extreme Fireflies können den Denoiser überfordern. Clamping vor dem Denoisen hilft; oder mehr Samples in den problematischen Regionen via adaptivem Sampling.

Verwandte Einträge

• Render-Engine Grundlagen
• Cycles Render Engine
• Arnold Renderer
• Global Illumination
• Render-Optimierung
• PBR-Shading (Physically Based Rendering)

Weiterführend

• Schied, Marco u. a.: „Spatiotemporal Variance-Guided Filtering". High-Performance Image Denoising for Real-Time Ray Tracing. NVIDIA Research, 2017.
• Bako, Steve u. a.: „Kernel-Predicting Convolutional Networks for Denoising Monte Carlo Renderings". ACM Transactions on Graphics, Vol. 36, Nr. 4, 2017.
• Intel: „Open Image Denoise Documentation". openimagedenoise.github.io, 2024.
• Veach, Eric / Guibas, Leonidas: „Optimally Combining Sampling Techniques for Monte Carlo Rendering". SIGGRAPH 1995.