The problem of accurately simulating light transport using Monte Carlo integration can be very difficult. In particular, scenes with complex illumination effects or complex materials can cause a scene to converge very slowly and demand a lot of computational time. To overcome this problem, image denoising algorithms have become popular in recent years. In this work we first review known approaches to denoising and adaptive rendering. We implement one of the promising algorithm by Moon et al. [2014] in a commercial rendering system Corona Standalone Renderer, evaluate its performance, strengths and weaknesses on 14 test scenes. These include difficult to denoise and converge rendering effects such as fine sub-pixel geometry, participating media, extreme depth of field of highlights, motion blur, and others. We propose corrections which make the algorithm more stable and robust. We show that it is possible to denoise renderings with Linear Weighted Regression only using a CPU. However, still even after our propositions, it is not possible to filter scenes in a consistent manner without over-blurring or not filtering where desired.

Path tracing is a basic, statistically unbiased method for calculating the global illumination in 3D scenes. For practical purposes, the algorithm is too slow, so it is used mainly for theoretical purposes or as a base for more advanced algorithms. This thesis explores the possibility of improving this algorithm by augmenting the sampling part, which computes outgoing directions during ray traversal through the scene. This optimization is accomplished by creating a special data structure in a preprocess step, which describes approximate light distribution in the scene and which then aids the sampling process. The presented algorithm is implemented in the PBRT library.

Cette thèse s'attaque à deux problèmes fondamentaux dans la formation des images numériques : la modélisation et l'estimation du flou introduit par une caméra numérique optique, et la génération rapide des images de synthèse photoréalistes. L'évaluation précise du flou intrinsèque d'une caméra est un problème récurrent en traitement d'image. Des progrès technologiques récents ont eu un impact significatif sur la qualité de l'image. Donc, une amélioration de la précision des procédures de calibration est impérative pour pousser plus loin cette évolution. La première partie de cette thèse présente une théorie mathématique de l'acquisition physique de l'image par un appareil photo numérique. Sur la base de cette modélisation, deux algorithmes automatiques pour estimer le flou intrinsèque de la l'appareil sont proposés. Pour le premier, l'estimation est effectuée à partir d'une photographie d'une mire d'étallonnage spécialement conçue à cet effet. L'une des principales contributions de cette thèse est la preuve qu'une mire portant l'image d'un bruit blanc est proche de l'optimum pour estimer le noyau de flou. Le deuxième algorithme évite l'utilisation d'une mire d'étallonnage, procédure qui peut devenir un peu encombrante. En effet, nous montrons que deux photos d'une scène plane texturée, prises à deux distances différentes avec la même configuration de l'appareil photo, suffisent pour produire une estimation précise. Dans la deuxième partie de cette thèse, nous proposons un algorithme pour accélérer la synthèse d'images réalistes. Plusieurs heures, et même plusieurs jours peuvent être nécessaires pour produire des images de haute qualité. Dans un rendu typique, les pixels d'une image sont formés en établissant la moyenne de la contribution des rayons stochastiques lancés à partir d'une caméra virtuelle. Le principe d'accélération, simple mais puissant, consiste à détecter les pixels similaires en comparant leurs histogrammes de rayons et à leur faire partager leurs rayons. Les résultats montrent une accélération significative qui préserve la qualité de l'image.