
Was ist Denoising? Wie Denoiser Path-Tracing-Renderings bereinigen
Überblick
Einführung
Was ist Denoising? Beim 3D-Rendering ist Denoising ein Filterschritt, der das Korn entfernt, das ein Path-Tracing-Bild trägt, wenn es mit zu wenigen Samples gerendert wurde, um zu konvergieren. Ein Denoiser betrachtet die verrauschten Pixel, meist zusammen mit zusätzlichen Daten des Renderers, und schätzt, wie jedes Pixel aussähe, wenn das Rendering weiter gesampelt hätte. Gut gemacht, können Sie ein Frame bei einem Bruchteil der Samples abbrechen und trotzdem ein sauberes Bild liefern. Schlecht gemacht, verschmiert er Texturen, erzeugt Artefakte und lässt eine Animation flimmern.
Dieser Leitfaden behandelt, warum Path-Tracing-Renderings rauschen, was ein Denoiser mit den Buffern macht, die ihn leiten, welche Denoiser Ihnen begegnen, die Rechnung beim Tausch von Samples gegen einen Denoise-Durchgang und die Grenzen. Das Variance-AOV-Setup von Arnold wird hier nicht behandelt; dazu gibt es How to Denoise AOVs Effectively. Wie ein Path Tracer Licht verfolgt, erklärt Ray Tracing vs Path Tracing.
Warum ein Path-Tracing-Render rauscht
Ein Path Tracer baut jedes Pixel auf, indem er zufällige Lichtpfade von der Kamera aussendet und mittelt, was sie finden. Ein Pfad trifft vielleicht direkt eine Lichtquelle, ein anderer springt zweimal und findet nur eine dunkle Ecke. Bei wenigen Pfaden pro Pixel schwankt dieser Mittelwert um die wahre Antwort, und die Schwankung ist das Korn, das Sie sehen. Statistiker nennen das Varianz, die Methode heißt Monte-Carlo-Integration.
Der Fehler sinkt langsam, ungefähr mit der Quadratwurzel der Sample-Anzahl, sodass es etwa die vierfache Zahl an Samples braucht, um das Rauschen zu halbieren. Unser Leitfaden Ray Tracing vs Path Tracing zeigt, wie das bei 16, 64, 256 und 1.024 Samples pro Pixel aussieht.
Rauschen verteilt sich nicht gleichmäßig. Es sammelt sich dort, wo Licht schwer zu finden ist: weiche Schatten, indirektes Licht, glänzende Reflexionen, Glas, Volumes. Das ist später wichtig, denn ein Denoiser muss Pixel für Pixel entscheiden, ob ein heller Punkt Rauschen oder ein echtes Merkmal ist. Und wegen des Quadratwurzelgesetzes sind die letzten Prozent an Sauberkeit der teuerste Teil eines Renderings. Denoising greift genau diesen Rest an: früher aufhören, dann den Rest filtern.
Was ein Denoiser tut
Ein Denoiser nimmt ein verrauschtes Bild und liefert eine sauberere Schätzung dessen, wogegen jedes Pixel konvergieren würde. Der naive Weg ist, jedes Pixel mit seinen Nachbarn zu mitteln, also ein Weichzeichner. Ein Weichzeichner entfernt Rauschen und Details zugleich, sodass sich ein Schachbrettmuster, eine scharfe Schattenkante und eine Haarsträhne ebenso schnell auflösen wie das Korn.
Die eigentliche Arbeit besteht darin, Rauschen von Signal zu unterscheiden, und zwei große Familien gehen dabei verschieden vor.
Algorithmische Filter nutzen von Hand entworfene Regeln und gewichten Nachbarn danach, wie ähnlich und wie nah sie sind. Altus, einer von drei Denoisern in Redshift, wird in der Redshift-Dokumentation von Maxon (abgerufen am 19. November 2026) als auf traditionellen Methoden statt auf Deep Learning basierend beschrieben.
Lernende Denoiser sind neuronale Netze, die mit verrauschten und konvergierten Renderings trainiert wurden. NVIDIA gibt an, dass der OptiX-Denoiser mit Zehntausenden Bildern aus eintausend 3D-Szenen trainiert wurde (NVIDIA OptiX denoiser, abgerufen am 19. November 2026), und Maxon sagt dasselbe über OptiX und Intel Open Image Denoise: Deep-Learning-Modelle, trainiert mit Zehntausenden Bildern. Ein trainiertes Netz hat gesehen, wie Rauschen neben echter Struktur aussieht, und kann daher Kanten bewahren, die ein Weichzeichner auslöschen würde. Es kann aber auch auf Arten falschliegen, die ein algorithmischer Filter nicht kennt.
Intel beschreibt Open Image Denoise als Open-Source-Bibliothek von Denoising-Filtern für raytracte Bilder, deren Filter alles von sehr niedrigen Sample-Zahlen bis zu nahezu konvergierten Bildern verarbeiten (Open Image Denoise, abgerufen am 19. November 2026). Genau das ist der Sinn von Denoising: Sie geben ihm ein Frame, das verrauscht, aber nicht hoffnungslos ist.
Was ein Denoiser bekommt: verrauschtes Beauty, Albedo und Normal
Ein Renderer weiß Dinge, die eine Kamera nie wüsste: die Farbe jeder Oberfläche vor der Beleuchtung, genannt Albedo, und die Richtung, in die jede Oberfläche zeigt, die Normal. Beides lässt sich mit wenig oder gar keinem Rauschen erzeugen. Sie sind ideale Führungsdaten, denn wo sich Albedo sprunghaft ändert, liegt eine echte Texturkante, und wo die Normal abknickt, ändert sich die Form tatsächlich.
Laut Intels Seite kann Open Image Denoise allein mit dem verrauschten Beauty-Bild arbeiten oder zusätzliche Feature-Buffer wie Albedo und Normal nutzen, um mehr Details zu erhalten. Cycles bietet dieselbe Idee: Die Einstellung Passes bietet nur Farbe, Albedo oder Albedo plus Normal, und das Handbuch empfiehlt mindestens Albedo, weil Denoising nur mit Farbe Details verwischen kann (Blender-5.3-Handbuch, Cycles Sampling, abgerufen am 19. November 2026).
Diagramm dessen, was ein Denoiser bekommt: ein verrauschtes Bild mit 2 Samples pro Pixel, ein rauschfreier Albedo-Buffer und ein rauschfreier Normal-Buffer gehen in den Denoiser, der ein saubereres Bild ausgibt
Das Diagramm entstand mit einem bewusst einfachen Filter an einer Spielzeugszene: einer Kugel auf einem Schachbrettboden, gerendert von einem Monte-Carlo-Skript mit 2 Samples pro Pixel. Die Buffer sagen dem Filter, wo die Schachbrettkanten liegen und wo die Kugel abknickt, sodass er nur über Pixel mittelt, die übereinstimmen. Beachten Sie, was er nicht sehen kann: Der weiche Schatten erscheint in keinem der beiden Buffer und wird daher stärker geglättet als die Schachbrettkanten. Produktions-Denoiser können weit mehr, doch Details, die die Feature-Buffer nicht zeigen, gehen leichter verloren; Schattenkanten und Reflexionen sind daher die ersten Stellen zum Prüfen.
Die wichtigsten Denoiser
| Denoiser | Ansatz | Läuft auf | Wo er Ihnen begegnet |
|---|---|---|---|
| Intel Open Image Denoise (OIDN) | Deep-Learning-Filter, Open Source unter Apache 2.0 | CPUs (Intel 64 mit SSE4.1, ARM64 einschließlich Apple Silicon) und GPUs von Intel, NVIDIA (Turing und neuer), AMD (RDNA 2 und neuer) und Apple (M1 und neuer) | Cycles, Redshift und Arnold führen ihn als Option |
| NVIDIA OptiX AI-accelerated Denoiser | Deep-Learning-Modell, kann Tensor Cores nutzen | Nur NVIDIA-GPUs | Cycles, Redshift und Arnold; NVIDIA nennt außerdem Houdini und Thea Render |
| Altus | Algorithmischer Filter, kein neuronales Netz | Jede Hardware | Nur Redshift |
Die Hardware-Spalte stammt aus den Seiten von Intel und Maxon, Stand 19. November 2026, und ändert sich mit jedem Release; prüfen Sie daher die Herstellerseite, bevor Sie um eine Karte herum planen. V-Ray und Corona liefern eigene Denoiser mit eigenen Einstellungen, und Arnold listet sowohl OIDN als auch OptiX als Denoiser-Optionen; zu Arnold-Details siehe den Arnold-Denoiser-Leitfaden.
Welcher besser ist, hängt vom Job ab. Laut Blender-Handbuch liefert OpenImageDenoise typischerweise die höchste Qualität, während OptiX nur auf NVIDIA-GPUs verfügbar ist und auf einigen älteren Karten Beschleunigung unterstützt, wo OpenImageDenoise das nicht tut. In Redshift funktioniert Altus nur beim Bucket-Rendering, während OptiX und OIDN im Bucket- und im Progressive-Modus laufen. In der Praxis läuft die Wahl meist auf drei Fragen hinaus: Gibt es eine NVIDIA-GPU, bietet die Engine den gewünschten Denoiser, und entrauschen Sie Einzelbilder oder eine Sequenz.
Der Tausch: weniger Samples plus Denoise-Durchgang
Nehmen wir ein hypothetisches Frame, das bei 1.024 Samples pro Pixel sauber aussieht und 40 Minuten braucht. Die Renderzeit skaliert grob mit den Samples, also brauchen 256 Samples etwa 10 Minuten. Sie haben die Samples durch vier geteilt, das Rauschen ist daher grob doppelt so hoch, und genau das muss der Denoiser entfernen.
Balkendiagramm eines hypothetischen Beispiels: 40 Minuten pro Frame bei 1.024 Samples ohne Denoiser gegenüber 10 Minuten pro Frame plus einem kleinen Denoise-Schritt bei 256 Samples, was über 240 Frames 160 Maschinenstunden gegenüber 40 Maschinenstunden plus Denoising ergibt
Ein 10-Sekunden-Shot mit 24 fps sind 240 Frames: 160 Maschinenstunden bei je 40 Minuten oder 40 Maschinenstunden plus dem Denoise-Schritt bei 10. Die Zahlen sind erfunden, um das Verhältnis zu zeigen, und Ihre Szene wird abweichen, aber die Form gilt allgemein: Die Sampling-Kosten wachsen mit jeder Verdopplung, während ein Denoise-Durchgang ein vergleichsweise kleiner Zusatz ist.
Klein heißt nicht kostenlos. Maxons Redshift-Hilfe sagt, OptiX und OIDN können nach jedem Progressive-Durchgang oder Bucket laufen, gesteuert über eine Denoise-Overhead-Einstellung, bei der null einmal am Ende entrauscht. Weiter heißt es, Altus brauche mehrere Sekunden pro Denoise und rendere im Dual-Pass-Modus das Frame zuerst zweimal. Messen Sie den Schritt an Ihrer eigenen Szene.
Denoising lässt sich auch mit anderen Einsparungen kombinieren. Der Noise Threshold von Cycles stoppt das Sampling in Bereichen, die bereits sauber genug sind, mit typischen Werten zwischen 0,1 und 0,001 laut Handbuch, und der Denoiser säubert den Rest. Die umfassendere Checkliste dazu, was die Renderzeit bestimmt, finden Sie in unserem Render Time Optimization Guide.
Eine Regel gilt durchgängig. Maxons Redshift-Seite nennt Denoising keine Wunderwaffe und beschreibt es als am nützlichsten für die letzten Prozent Rauschen. Ein Denoiser reduziert die Samples, die Sie brauchen. Er ersetzt sie nicht.
Wo Denoising schiefgeht
Jeder Denoiser tauscht Rauschen gegen Risiko, und jeder Fehler braucht eine andere Abhilfe.
Verlorene feine Details. Maxon führt zu starkes Glätten, das Textur und kleine geometrische Details verliert, unter den Fehlerarten auf. Gewebestruktur, Haare, dünne Drähte und kleine Schrift sind die üblichen Opfer.
Gemälde-artige Artefakte. Dieselbe Seite beschreibt Artefakte, die Pinselstrichen ähneln, ein Zeichen dafür, dass der Filter aus Rauschen, das er nicht einordnen konnte, Struktur erfunden hat.
Unbekanntes Rauschen. OptiX und OIDN können Rauschmuster übersehen, die in ihren Trainingsdaten fehlen; ungewöhnliche Materialien, dichte Volumes oder extreme Tiefenunschärfe bleiben daher unter Umständen stehen oder werden verschmiert.
Reste statt Korn. Maxon warnt, dass in Animationen verbleibendes Rauschen als flackernde Flecken erscheinen kann, die störender wirken können als das ursprüngliche Rauschen.
Die meisten dieser Probleme werden kleiner, wenn die Sample-Anzahl steigt, denn eine sauberere Eingabe lässt weniger zu raten. Praktisch gehen Sie so vor: Finden Sie die niedrigste Sample-Anzahl, bei der das entrauschte Ergebnis bei 100 % Ansicht der Prüfung standhält, und addieren Sie eine Reserve.
Animation: Flackern und temporales Denoising
Ein Standbild wird einmal entrauscht. Eine Animation wird Frame für Frame entrauscht, und jedes Frame hat sein eigenes Zufallsrauschen. Selbst wenn sich die Szene kaum bewegt, sieht der Denoiser in jedem Frame eine andere Eingabe und liefert womöglich eine leicht andere Antwort. Das wirkt wie Flimmern in Bereichen, die ruhig bleiben sollten.
Drei aufeinanderfolgende Frames derselben statischen Szene, gerendert mit unterschiedlichem Rauschen, ihre entrauschten Ergebnisse und ein verstärktes Differenzbild zwischen zwei entrauschten Frames, das das Flackern von Frame zu Frame zeigt
Die Abbildung zeigt es mit demselben Spielzeugfilter. Die Szene ist statisch, ein perfekter Denoiser würde also identische Frames liefern, und das Differenzbild wäre schwarz. Das ist es nicht, weil das Rauschen jedes Frames den Filter zu einer leicht anderen Antwort getrieben hat. Produktions-Denoiser schneiden deutlich besser ab, das Prinzip bleibt aber dasselbe.
Zwei Dinge verringern es. Eine Eingabe mit weniger Rauschen ändert sich von Frame zu Frame weniger, mehr Samples helfen also. Und das Rauschmuster lässt sich festhalten: Maxons Redshift-Hilfe empfiehlt, Randomize Pattern on Each Frame auszuschalten, damit das Rauschen an der Kamera fixiert bleibt. Die Cycles-Seite schlägt das scheinbare Gegenteil vor, Use Animated Seed für Animationen, weil ein wechselndes Muster weniger auffällt. Unsere Lesart ist, dass beide Ratschläge verschiedene Probleme lösen: Der Cycles-Rat versteckt rohes Korn, wenn Sie nicht entrauschen, der Redshift-Rat stabilisiert die Eingabe des Denoisers, wenn Sie es tun.
Die umfassendere Antwort ist temporales Denoising, bei dem der Filter auch benachbarte Frames betrachtet. Die OptiX-Seite von NVIDIA sagt, ihr Denoiser basiere auf NVIDIA-Forschung zur Rekonstruktion von Monte-Carlo-Bildsequenzen. Ob ein bestimmter Renderer einen temporalen Modus anbietet, klärt seine Dokumentation. Testen Sie, statt es anzunehmen. Rendern Sie 10 bis 20 aufeinanderfolgende Frames Ihres schwierigsten Shots mit der vorgesehenen Sample-Anzahl und sehen Sie sie in Bewegung an: Flackern, das in einem Frame unsichtbar ist, fällt in der Wiedergabe oft deutlich auf.
Denoising-Passes und AOVs
Compositoren zerlegen ein Rendering in Passes, sogenannte AOVs, um Reflexionen, Beleuchtung und Schatten getrennt anzupassen. Entrauschen Sie das Beauty, aber nicht die Passes, oder umgekehrt, addieren sie sich nicht mehr sauber auf, und Sie sehen Nähte oder Farbverschiebungen. Entscheiden Sie sich pro Projekt für einen Ansatz. Unser Leitfaden What Are AOVs in Rendering behandelt Passes und Multilayer-Dateien.
Wenn Sie nach dem Rendern statt währenddessen entrauschen, müssen die Albedo- und Normal-Buffer mit jedem Frame gespeichert werden, in derselben Auflösung und aus derselben Kamera, sonst verliert der Denoiser seine Führungsdaten.
Denoising auf einer render farm
Eine render farm rendert jedes Frame als eigene Aufgabe auf einer eigenen Maschine. Das passt gut zum Denoising zur Renderzeit, das nichts von anderen Frames braucht, und weniger gut zum temporalen Denoising, weil ein Durchgang, der benachbarte Frames liest, die ganze Sequenz braucht und normalerweise läuft, nachdem die Frames zurückgekommen sind.
Die Hardware zählt. OptiX braucht eine NVIDIA-GPU, OIDN läuft auch auf CPUs. Das Blender-Handbuch ergänzt, GPU-Denoising sei deutlich schneller als auf der CPU, brauche aber zusätzlichen GPU-Speicher, und rät, es bei großen Szenen, denen der Speicher knapp wird, auszuschalten. Auf einem GPU-Node von Super Renders Farm hat jede der zwei RTX-5090-Karten 32 GB, und die beiden werden nicht gepoolt, sodass sich ein GPU-Denoiser die 32 GB einer Karte mit der Szene teilt. Prüfen Sie bei einer schweren Szene den Spielraum, bevor ein langer Job startet.
Der Denoiser ist eine Render-Einstellung, prüfen Sie ihn also zusammen mit Sample-Anzahlen und Ausgabepfaden. Rendern Sie ein repräsentatives Frame mit finalen Einstellungen auf dem Maschinentyp, den Sie nutzen wollen, und prüfen Sie es bei 100 % Ansicht. CPU- und GPU-Zeit werden auf unterschiedlicher Basis abgerechnet, ein sample-lastiges CPU-Rendering und ein Denoise-gestütztes GPU-Rendering sind daher unterschiedliche Budgets; die Preisseite erklärt, wie jedes abgerechnet wird.
Denoising bei Fotos und Video im Vergleich zu Renderings
Die Suchergebnisse zum Thema Denoising sind voll von Foto- und Video-Tools. Ein Foto-Denoiser hat nur das Bild und muss raten, was Sensorrauschen und was Detail ist. Ein Render-Denoiser hat es mit Monte-Carlo-Rauschen zu tun und kann rauschfreie Führungsdaten bekommen. Das Ziel ist dasselbe, aber Rauschen und Fehlerbilder unterscheiden sich, sodass sich Einstellungen nicht übertragen lassen.
FAQ
Q: Was ist Denoising beim 3D-Rendering? A: Denoising ist ein Filterschritt, der Korn aus einem Path-Tracing-Bild entfernt, das mit zu wenigen Samples gerendert wurde. Ein Denoiser schätzt, wie jedes Pixel aussähe, wenn das Rendering weiter gesampelt hätte, und nutzt dafür oft rauschfreie Albedo- und Normal-Buffer, um Kanten und Textur zu schützen. Es ist kein Weichzeichner, der Rauschen und Details zugleich entfernt.
Q: Verkürzt Denoising die Renderzeit? A: Meist ja. Vierfach weniger Samples verkürzen die Renderzeit grob um das Vierfache, auf Kosten von etwa doppeltem Rauschen, und der Denoiser entfernt einen Großteil davon mit einem vergleichsweise kleinen Zusatzschritt. Ein Frame, das überwiegend aus Rauschen besteht, wird nicht gerettet, und der Denoise-Schritt braucht Zeit, die Sie messen sollten.
Q: Was ist der Unterschied zwischen OptiX und Open Image Denoise? A: Beides sind lernende Denoiser, doch OptiX läuft nur auf NVIDIA-GPUs, während Intels Open Image Denoise Open Source ist und auf CPUs sowie auf GPUs von Intel, NVIDIA, AMD und Apple läuft. Laut Blender-Handbuch liefert Open Image Denoise typischerweise die höchste Qualität, und OptiX deckt einige ältere NVIDIA-GPUs ab, die es nicht abdeckt.
Q: Warum lässt Denoising Animationen flackern? A: Jedes Frame hat anderes Zufallsrauschen, daher kann ein Denoiser, der Frames einzeln behandelt, bei aufeinanderfolgenden Frames leicht abweichende Ergebnisse liefern. Höhere Sample-Anzahlen, ein festes Rauschmuster, wo die Engine eines anbietet, und temporales Denoising, wo verfügbar, verringern das alle. Testen Sie eine kurze Sequenz in Bewegung.
Q: Wofür sind Albedo- und Normal-Buffer beim Denoising da? A: Sie sind rauschfreie Führungsdaten. Albedo zeigt, wo sich die Oberflächenfarbe ändert, und die Normal zeigt, wo sich die Form ändert, sodass der Denoiser eine echte Kante von einem Rauschpunkt unterscheiden kann. Das Blender-Handbuch empfiehlt mindestens Albedo, weil Denoising nur anhand der Farbe Details verwischen kann.
Q: Wie viele Samples brauche ich vor dem Denoising? A: Eine allgemeingültige Zahl gibt es nicht, denn das Rauschen hängt von Beleuchtung, Materialien und Bewegung ab. Intel sagt, seine Filter verarbeiteten sehr niedrige Sample-Zahlen bis zu nahezu konvergierten Bildern, die Qualität schwanke jedoch. Rendern Sie Testframes mit sinkenden Sample-Anzahlen, finden Sie die niedrigste, die bei 100 % Ansicht der Prüfung standhält, und addieren Sie eine Reserve.
About Alice Harper
Blender and V-Ray specialist. Passionate about optimizing render workflows, sharing tips, and educating the 3D community to achieve photorealistic results faster.



