169812 20260304131019.0 TAZ-TFG-2025-4832 spa López Berga, Álvaro A statistical denoiser for steady and transient Monte Carlo rendering. Reducción de ruido mediante estadı́sticas en render estacionario y transitorio de Monte Carlo. Zaragoza Universidad de Zaragoza 2025 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ La 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 /> Graduado en Ingeniería Informática Derechos regulados por licencia Creative Commons 820800@unizar.es 40029712 http://zaguan.unizar.es/record/169812/files/TAZ-TFG-2025-4832.pdf Memoria (spa) oai:zaguan.unizar.es:169812 driver trabajos-fin-grado 7 12 El 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. Gutiérrez Pérez, Diego dir. Pueyo Ciutad, Óscar dir. Universidad de Zaragoza Informática e Ingeniería de Sistemas Lenguajes y Sistemas Informáticos TAZ TFG EINA 20251202123615.CREATION_DATE deposita:2026-03-04