000169812 001__ 169812
000169812 005__ 20260304131019.0
000169812 037__ $$aTAZ-TFG-2025-4832
000169812 041__ $$aspa
000169812 1001_ $$aLópez Berga, Álvaro
000169812 24200 $$aA statistical denoiser for steady and transient Monte Carlo rendering.
000169812 24500 $$aReducción de ruido mediante estadı́sticas en render estacionario y transitorio de Monte Carlo.
000169812 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025
000169812 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000169812 520__ $$aLa Informática Gráfica es la disciplina que pretende simular el comportamiento de las cámaras fotográficas, generando imágenes por ordenador con efectos realistas de iluminación, materiales y geometría. Existen diversas técnicas de renderizado para generar estas imágenes, muchas de las cuales aplican una versión simplificada de las leyes físicas para reducir el coste computacional. Una de estas simplificaciones es asumir que la luz se propaga a velocidad infinita, ya que en las cámaras convencionales el tiempo de exposición es muchos órdenes de magnitud mayor que el tiempo que tarda la luz en propagarse. Recientes avances han dado lugar a sensores ultrarrápidos capaces de capturar la propagación de la luz al tener tiempos de exposición comparables a los de la velocidad de la luz. Dados estos avances surge el campo del renderizado transitorio, que ya no asume que la luz se propaga a velocidad infinita, cuyo objetivo es simular la propagación de la luz por la escena fotograma a fotograma, simulando estos sensores de captura. Para simular el transporte de luz, tanto en estado estacionario como transitorio, se utilizan métodos de Monte Carlo, debido a la complejidad de las ecuaciones. Sin embargo, la naturaleza estocástica de Monte Carlo provoca que los resultados siempre tengan ruido. Este problema es aún mayor en renderizado transitorio: las muestras deben distribuirse no solo en el espacio, sino también a través del tiempo. Para reducir este ruido, los métodos de renderizado profesionales incorporan técnicas de denoising, que combinan información de vecinos en el espacio para reducir la varianza. Sin embargo, estos métodos introducen sesgo, manifestándose como difuminado de detalles finos como reflejos, sombras o cáusticas. Los enfoques más recientes, basados en redes neuronales profundas, pueden producir resultados visualmente agradables, pero no garantizan convergencia a la solución correcta, pueden generar alucinaciones y requieren grandes conjuntos de datos de entrenamiento que son especialmente costosos de generar para renderizado transitorio.<br />Recientemente, se propuso un framework de denoising estadístico para renderizado Monte Carlo que, mediante el análisis de estadísticas recolectadas durante el proceso de renderizado, garantiza un compromiso casi óptimo entre sesgo y varianza. Este método asegura convergencia a la solución correcta sin necesidad de entrenar redes neuronales con grandes conjuntos de datos, que requieren una gran cantidad de tiempo de entrenamiento en GPU. En este trabajo implementamos dicho framework en Mitsuba 3, un software de renderizado orientado a la investigación. La principal contribución de este trabajo es la extensión de este framework al dominio transitorio, incorporando kernels espacio-temporales que explotan la correlación espacio-temporal de la propagación de la luz. Además, desarrollamos un algoritmo eficiente en memoria para la recolección de estadísticas transitorias mediante reutilización de caminos. Los resultados demuestran que el método propuesto reduce efectivamente el ruido en renderizado transitorio preservando detalles finos, superando en fiabilidad y reducción de ruido a métodos basados en redes neuronales. Nuestra extensión del framework de denoising al dominio transitorio no genera alucinaciones, garantiza convergencia del resultado denoiseado al aumentar el número de muestras, es eficiente, no requiere entrenamiento y maneja naturalmente medios participativos. Además, dado que las simulaciones de Monte Carlo son una técnica bien establecida y se han derivado numerosas estrategias de muestreo específicas para renderizado transitorio, esperamos que nuestro trabajo pueda aplicarse en muchos otros campos como detección heterodina óptica, imagen fuera de visión, microscopía de absorción, renderizado acústico o imagen térmica. Los resultados de este trabajo se han utilizado para un artículo enviado a Eurographics 2026, una conferencia de referencia en el ámbito de los gráficos por computador en Europa.<br />
000169812 521__ $$aGraduado en Ingeniería Informática
000169812 540__ $$aDerechos regulados por licencia Creative Commons
000169812 691__ $$a7 12
000169812 692__ $$aEl método de denoising propuesto en este trabajo reduce el ruido en el renderizado estacionario y transitorio basado en Monte Carlo, lo que permite obtener imágenes de mayor calidad utilizando un menor número de muestras. Esto se traduce en una reducción significativa del coste computacional y, por tanto, en un menor consumo energético, contribuyendo a una práctica más sostenible en el ámbito del renderizado por ordenador.
000169812 700__ $$aGutiérrez Pérez, Diego$$edir.
000169812 700__ $$aPueyo Ciutad, Óscar$$edir.
000169812 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos
000169812 8560_ $$f820800@unizar.es
000169812 8564_ $$s40029712$$uhttps://zaguan.unizar.es/record/169812/files/TAZ-TFG-2025-4832.pdf$$yMemoria (spa)
000169812 909CO $$ooai:zaguan.unizar.es:169812$$pdriver$$ptrabajos-fin-grado
000169812 950__ $$a
000169812 951__ $$adeposita:2026-03-04
000169812 980__ $$aTAZ$$bTFG$$cEINA
000169812 999__ $$a20251202123615.CREATION_DATE