20190411
在training前需要將讀入的rgb標準化，讓資料落在某一特定區間，提高精準度 denoise 效果:
發表文章
20190410
看書[TensorFlow x Keras 工作現場開發] Autoencoder、CAE、DAE之間的區別: Autoencoder: 主要用在維度的縮減，讓x資料經過壓縮，再重構成與x相近的資料，每一層都是用MLP(muti layer percepton)。MLP由AND、OR、XOR、NAND等感知器組合而成。 CAE:每一層都是用CNN架構，認為CNN比MLP適用於影像， DAE(denoising autoencoder)的目標在於，在資料壓縮時將雜訊消去，只留下重要的特徵點。 可應用於ORC(光學文字辨識)，印刷文字會有雜訊，在文字辨識的前處理。 補充: 模型建構後的學習:使用Adam(Adaptive Moment Estimation)使用梯度的演算法，收斂較快 卷積層: i. 就算輸入的影響尺寸越大，影響的只有特徵圖的大小，不影響特徵圖中的權重 ii.當影像為彩色時，會分將RGB分成三張輸入 使用他的model 可能因為我需要輸出的是彩色的圖 效果並不理想 還需要修改
20190409
1. 將點光源改為面光源，發現雜訊少了很多，但indirection lighting消失了: 發現另一個問題，在草的地方有畫錯，光會穿過牆，應該是tracing的問題 原因都是:在CUDA沒把初始化prd.done設為false只經過一次的tracing就停止了，某些部分則持續進行 石柱上可以看到 布的indirection lighting denoising 部分: 因為training時的lighting color是有點黃色，再輸入新的noise input後，output仍為黃色，僅調整了亮度，與修補空缺，雖然可以接受光源移動，光的顏色就沒有辦法調整了。 denoising 的切痕:因為輸入 denoising model的大小為128*128 pixel，會在後處理中切成4塊，處理完 denoise 成後再合併 1spp denoising result 1spp denoising result super sampling: 128*128 2SPP 重複取樣2*2->4*4 放大兩倍的pixel result 直接填入 直接填入的 result 因為黑色部分較多，亮度也減少了 目前能調整的部分為: 1. model的修改