渲染技术作为图形学的一个重要方向,主要负责将包含几何、材质、光照等虚拟元素的三维场景转换为二维图像。为了达到照片级真实感,我们不仅需要逼真的场景建模,也需要求解一个高维的积分方程。这些通常需要消耗大量的人力、物力。深度学习作为近年来一种重要的技术方法,为诸多领域带来了新突破。本文从梯度域渲染图像重构和参与介质外观编辑这两个渲染领域的具体问题出发,研究了如何利用深度学习技术提高图形渲染的效率。·基于无监督深度学习的梯度域渲染图像重构。蒙特卡洛渲染具有较强的灵活性和泛化性,但通常面临高方差及收敛慢的问题。梯度域渲染通过额外的梯度域采样以及图像空间的泊松重构来提高收敛速度。为了提升重构的性能,本文提出了一种基于深度自编码器的泊松重构求解器。该自编码器使用带有噪声的原始域图像和梯度域图像进行端到端的训练,从而学习如何重构高质量的图像。训练好的网络可以快速重构图像并且不需要人工调整参数。由于准备参考图像数据集比较困难,本方法完全以无监督的方式训练,其损失函数被定义为一个能量函数,包含数据保真项和梯度保真项。为了进一步减少重构图像的噪声,本文利用场景辅助特征构建了一个正则化项,并使用它约束重构过程。大量的实验验证了该重构方法的有效性,且其重构时间在最近的显卡(例如:GTX 1080Ti)上远小于一秒。·基于风格迁移的参与介质外观编辑。参与介质对提升三维虚拟场景的真实感具有重要的作用,但是参与介质的编辑却一直是一项具有挑战性的任务。为此,本文提出基于风格迁移的编辑方法,即借助二维图像的风格化过程间接编辑参与介质。该方法不依赖于繁重的迭代优化过程,而是采用高效的深度学习技术。其核心包括一个风格化核预测器和一个体素自编码器。其中,风格化核预测器负责从风格图像中提取多尺度的特征图,并利用非线性变换将其转换为一组风格化核,而每一组风格化核编码了一种特定的风格。体素自编码器则借助这组风格化核,将输入的密度体素网格转化为反照率体素网格,以此达到参与介质外观编辑的目的。使用风格化核的好处在于风格信息和网络权重的解耦合,以使得本文提出的风格化方法能支持任意多的风格。此外,本文通过引入直方图损失和全差分损失这两项来保证编辑后的参与介质的渲染结果和输入的风格图效果一致,且无失真。通过和传统的迭代优化方法的对比以及和图像风格化方法的对比,验证了该方法的有效性和高效性。