Gagnez du temps grâce au 65% : rendu d'images en super-résolution D5

Préface

D5 Render a lancé une nouvelle fonctionnalité, “ D5 SR Image Rendering ”, dans sa dernière version 2.5. “ SR ” signifie “ Super Resolution ” (super-résolution), une technologie développée en interne par D5 qui permet de transformer des images en basse résolution en images en haute résolution.

S'appuyant sur un algorithme de génération d'images par super-résolution basé sur les réseaux neuronaux, le D5 SR est associé à des cartes de rendu multicanaux afin d'accélérer considérablement le rendu des images.

La technologie Super Resolution peut être utilisée dans une large gamme d'applications. Par exemple, elle peut améliorer les détails et la résolution dans le rendu vidéo, et en rendu en temps réel, elle peut augmenter la fréquence d'images pour améliorer l'expérience utilisateur.

Mais soyons honnêtes, amplifier la résolution d'images rendues sans distorsion a toujours été un os difficile à ronger.

Points forts du rapport D5

Reconstruction plus réaliste

Real-esrgan est un algorithme de super-résolution « aveugle » qui n'a pas été spécifiquement entraîné pour les images D5 Render. Par conséquent, lorsqu'on double la résolution des images générées, Real-esrgan peut présenter certains artefacts visibles, tels que des textures peu réalistes.

Pourtant, ce problème est efficacement résolu grâce à la technologie D5 SR, comme le montrent les images de test ci-dessous. En effet, la technologie D5 SR a intégré la géométrie, les matériaux, les textures et d'autres informations relatives à cet objet afin d'améliorer la qualité des images haute résolution reconstruites.

Bonjour

Zoomez pour examiner les détails. Vous pouvez constater que l'algorithme de restauration sans apprentissage entraîne de graves distorsions, telles que du flou, des bavures ou des textures anormales, ce qui n'est pas le cas de la restauration D5.

Optimisé Réflexions

Lors des premiers essais avec le mode SR D5, les images agrandies deux fois ont perdu certains détails de réflexion.

Une fois les données relatives aux canaux de réflexion et aux matériaux importées, le D5 SR est en mesure de mieux reproduire les reflets.

Vous pouvez constater la différence illustrée dans ces deux scènes.

Bonjour

Efficacité de rendu améliorée

Une fois la fonction D5 SR activée, vous constaterez une amélioration de la vitesse de rendu des images en haute résolution.

Prenez cette scène comme exemple.

Pour le rendu d'une image d'une résolution de 16K (15 360 × 8 640), il vous faudra 1 h 17 min 13 s lorsque le SR D5 est désactivé, et seulement 27 min 23 s une fois qu'il est activé, ce qui représente un gain de 651 TP17T sur la durée totale.

Bonjour

Bonjour

Mode d'emploi du D5 SR

Allez dans Menu > Préférences > Widget et activez ‘ D5 SR Image Rendering beta ’. Cette fonction s'activera automatiquement lorsque D5 affichera des images, sans qu'aucun autre réglage ne soit nécessaire.

Veuillez noter que l'algorithme D5 SR n'est activé que sur les images dont la résolution est supérieure à 1440 x 1440.

Bonjour

Bonjour

Comment est né le D5 SR

L'équipe D5 entraîne l'algorithme SR à l'aide d'une vaste collection d'images générées par D5. Le réseau neuronal est capable d'exploiter efficacement les informations a priori acquises à partir de ces données d'entraînement pour nous fournir une meilleure reconstruction en haute résolution.

Cependant, au début, nous n'avions pas suffisamment d'informations sur les scènes 3D telles que la géométrie, les matériaux et les textures, ce qui entraînait un écart entre la reconstruction et les résultats de rendu physique. Par conséquent, nous avons introduit ces informations 3D comme caractéristiques d'entrée pour produire un meilleur résultat.

D'un point de vue technique, l'équipe de R&D D5 a réalisé les tâches suivantes :

Tout d'abord, nous utilisons des informations d'albédo et de normales à haute résolution pour reconstruire la texture et les caractéristiques géométriques.

Puis nous intégrons les informations de réflexion, de transparence, de métal et de rugosité pour optimiser les reflets et les effets de lumière.

Pour améliorer davantage le résultat de la reconstruction, nous avons utilisé un nouvel algorithme. Il améliore le réseau neuronal ESRGAN original et utilise un réseau à double flux pour traiter respectivement les images originales basse résolution et les graphes d'informations de canaux haute résolution. Nous avons utilisé la perte L1 relative pour renforcer la supervision sur l'erreur de pixel et la perte perceptive, et introduit une perte antagoniste pour améliorer le résultat de la super-résolution.

Enfin, nous avons utilisé une structure de réseau en forme de U pour remplacer certains blocs Residual Dense dans l'ESRGAN, afin d'étendre la portée du champ de perception de l'extraction de caractéristiques des cartes d'informations de canaux à haute résolution et d'améliorer encore la vitesse d'inférence.