Denoising in Render-Engines (Intel OpenImageDenoise, OptiX)

Denoising bezeichnet Algorithmen, die das körnige Bildrauschen (Noise) aus Path-Traced Renders entfernen und damit Renderzeiten um den Faktor 4–16x reduzieren, indem sie wenige, verrauschte Samples zu einem sauberen Bild aufwerten.

Rubrik: Software & Tools Deep-Dive · Unterrubrik: Render-Engines · Niveau: Fortgeschritten Synonyme / Auch bekannt als: AI Denoiser, Render Denoiser, Noise Reduction, Adaptive Denoising

Was ist Denoising?

Path Tracing ist stochastisch: Wenige Samples pro Pixel ergeben ein verrauschtes Bild; mehr Samples verbessern das Ergebnis, erhöhen aber die Rechenzeit quadratisch. Denoising löst dieses Problem durch Nachbearbeitung: Ein Algorithmus analysiert das verrauschte Bild und rekonstruiert ein sauberes Ergebnis.

Moderne KI-basierte Denoiser (seit ca. 2018) sind so effektiv, dass professionelle Studios Renders mit 4–16x weniger Samples erstellen und trotzdem produktionsreife Qualität erhalten. Denoising ist heute ein fester Bestandteil jeder modernen Render-Pipeline.

Erklärung

Arten von Denoisern

#### Traditionelle Filter-Denoiser

Ältere Methoden wie Bilateral Filter, Non-Local Means (NLM) oder Wavelet Denoising analysieren Pixel-Nachbarschaften und glätten Noise, ohne Bildinhalte zu verstehen. Ergebnis: Häufig Blur von Kanten und Details, da der Filter nicht zwischen Noise und echten feinen Strukturen unterscheiden kann.

#### Patch-based Denoiser (Pixar Denoiser, Intel MKL)

Analysieren größere Bild-Patches (z. B. 5×5 Pixel) und suchen ähnliche Patches im Bild, um Noise zu reduzieren. Besser als einfache Filter, aber langsam.

#### KI-basierte Denoiser (Neural Network)

Seit ca. 2017 haben tiefe neuronale Netzwerke (Convolutional Neural Networks, CNNs) den Denoising-Bereich revolutioniert:

• Das Netzwerk wird mit tausenden Bild-Paaren trainiert: verrauschtes Bild (wenig Samples) und sauberes Referenzbild (sehr viele Samples).
• Das Netz lernt, den Noise zu erkennen und den „richtigen" Wert zu halluzinieren.
• Inferenz (Anwenden des Netzes) ist extrem schnell – Sekunden statt Minuten.

Problem: Das Netz halluziniert Details, die nicht im ursprünglichen Render vorhanden waren. Bei sehr starkem Noise können Details falsch rekonstruiert werden.

Die wichtigsten Denoiser im Überblick

#### Intel Open Image Denoise (OIDN)

Intel OIDN ist ein Open-Source-Denoiser (Apache 2.0), der von Intel Research entwickelt wurde:

• Läuft auf CPU, NVIDIA GPU und Intel GPU.
• Basiert auf einem tiefen CNN (U-Net-Architektur).
• Nutzt Auxiliary Buffers: Neben dem Farbbild werden Normal-Maps und Albedo-Maps als zusätzliche Eingabe genutzt, um Kanten und Details besser zu erkennen.
• In Blender, Arnold, Houdini/Karma, LuxCoreRender integriert.
• Plattformübergreifend (funktioniert auf Apple Silicon, AMD, Intel).

#### NVIDIA OptiX Denoiser

NVIDIA OptiX AI Denoiser ist Teil von NVIDIAs OptiX Ray Tracing Framework:

• Läuft ausschließlich auf NVIDIA GPUs (CUDA).
• Basiert auf einem tiefen CNN, trainiert auf Rendering-Daten.
• Sehr schnell auf NVIDIA-Hardware (Tensor-Core-beschleunigt auf RTX-Karten).
• In Blender (OptiX Denoiser), V-Ray (NVIDIA AI Denoiser), Arnold, Redshift integriert.
• Unterstützt Temporal Denoising für Animationen.

#### Altus / Optix Denoiser (Framestore)

Spezialisierte Produktions-Denoiser für VFX:

• Altus (Innovation Labs): Nutzt Render-Passes für präzisere Rekonstruktion.
• Verwendet in Framestore, MPC und anderen VFX-Studios.

#### Proprietäre Engine-Denoiser

• Octane Spectral AI Denoiser (SAID): OTOY's eigener KI-Denoiser, speziell für Octane-Renders trainiert.
• Redshift Denoiser: Integriert; nutzt OptiX auf NVIDIA, OIDN als Fallback.
• Arnold AIDE (Arnold Intelligent Denoising): Arnolds eigener Denoiser, kombiniert OptiX und OIDN.

Auxiliary Buffers: Warum mehr als nur Farbe?

Moderne KI-Denoiser nutzen zusätzliche Informationen aus der 3D-Szene:

• Albedo: Basisfarbe ohne Beleuchtung – hilft dem Netz, Materialfarben von Noise zu trennen.
• Normal: Oberflächennormalen – hilft bei der Kanten-Erhaltung.
• Depth: Tiefe – hilft bei der Trennung verschiedener Objekte.
• Motion Vectors: Für Temporal Denoising.

Ohne Auxiliary Buffers neigt der Denoiser dazu, Kanten zu verwischen.

Temporal Denoising

Bei Animationsrendering ist Frame-für-Frame-Denoising problematisch: Jeder Frame wird separat denoisiert, was zu Flimmern zwischen Frames führen kann (Temporal Noise).

Temporal Denoiser (OptiX Temporal, Intel OIDN Temporal) nutzen Motion Vectors: Sie verfolgen Objekte von Frame zu Frame und akkumulieren Samples über mehrere Frames. Das Ergebnis ist zeitlich stabiles, flimmerfreies Denoising.

Beispiele

• Produktionsworkflow (Redshift/Cinema 4D): 128 Samples statt 2048, Redshift OptiX Denoiser aktiviert → 16x schneller, visuell kaum unterscheidbar.
• Blender-Animation (OIDN Temporal): Animation mit 64 Samples pro Frame, OIDN Temporal Denoiser → flimmerfreies Ergebnis in Minutenbruchteilen pro Frame.
• VFX-Produktion (Arnold AIDE): Große Studios rendern mit 3–4 Camera AA Samples und verlassen sich auf AIDE für finale Qualität.

In der Praxis

Wann Denoising anwenden?

• Preview und Iteration: Immer – mit wenig Samples schnell iterieren.
• Finale Frames mit Denoiser: Für Animationen sehr sinnvoll (Zeitersparnis).
• Finale Frames ohne Denoiser: Wenn höchste Qualität ohne Halluzinationen gefordert (z. B. ultra-scharfe Architektur-Details).

Typischer Blender-Workflow

1. Render Samples: 128–256 (statt 1024+)
2. Compositing-Tab: Denoise Node → Normal, Albedo Inputs einstecken
3. OIDN oder OptiX als Denoiser wählen (Render Properties)
4. Start Denoising Only: In Blender mit dem Denoising-Compositing-Node als separater Schritt möglich

Denoising bei AOVs

AOVs (Render Passes, siehe AOVs und Render-Passes für Compositing) müssen einzeln denoisiert werden. Diffuse, Specular, Reflection usw. haben unterschiedliches Noise-Charakteristika. Moderne Workflows denoisieren alle AOVs separat und kombinieren sie im Compositing.

Vergleich & Abgrenzung

Häufige Fragen (FAQ)

Wie viele Samples brauche ich mit Denoiser? Das hängt stark von der Szene ab: Einfache Szenen mit direktem Licht: 32–64 Samples. Komplexe Innenräume mit indirektem Licht: 128–512 Samples. Glaslastige Szenen: 256–1024 Samples (Denoiser hat Schwierigkeiten mit Kaustiken).

Zerstört Denoising Details? Bei sehr niedrigen Sample-Zahlen kann der Denoiser Details halluzinieren oder verwischen. Kritisch bei feinen Texturen, Haaren oder scharfen Kanten. Lösung: Mehr Samples oder Denoiser nur für bestimmte AOVs anwenden.

Kann man Denoising im Compositing anwenden? Ja – Blender's Denoise Compositing Node, Nuke's OIDN-Plugin und After Effects-Plugins erlauben nachträgliches Denoising von gerenderten EXR-Sequenzen.

Verwandte Einträge

• Render-Optimierung: Sampling, Noise und Performance
• Path Tracing: Grundlagen und Funktionsweise
• AOVs und Render-Passes für Compositing
• Render-Engines im Vergleich: Cycles, Octane, Redshift, Arnold, V-Ray
• Eevee vs. Cycles: Blenders Render-Engines
• Octane Render: GPU-Rendering für Cinema 4D und Blender
• Redshift Renderer: Biased GPU-Rendering

Weiterführend

• Lehtinen, J. et al. (2018): „Noise2Noise: Learning Image Restoration without Clean Data". ICML 2018, arXiv:1803.04189.
• Intel (2024): Open Image Denoise Documentation. openimagedenoise.github.io.
• NVIDIA (2024): OptiX AI Denoiser. developer.nvidia.com/rtx/ray-tracing/optix.
• Schied, C. et al. (2017): „Denoising with Kernel Prediction and Asymmetric Loss Functions". SIGGRAPH 2017.