基于蒙特卡罗积分方法的渲染器由于其灵活性以及普遍性,在渲染真实感场景、计算机动画制作以及视觉产品生成等方面有着广泛的应用。由于这种方法仅能随机地对有限的光线路径进行采样,因此对像素值的估计总会存在着偏差,在渲染图像上则表现为噪点,大大影响了图像的整体质量。一种改善的方法是耗费大量时间增加采样率,另一种改善的方法则是对低质量的噪声图像进行快速去噪,得到接近高质量图像的结果。本文提出一种新的端到端网络结构对蒙特卡罗渲染图像进行去噪。最近有两种主要的基于深度学习的蒙特卡罗去噪方法:一种是估计预测核的方法,另一种是直接利用网络从噪声图像中生成去噪图像的方法。本文的主要思想是将核预测与利用网络直接输出结果这两种对蒙特卡罗渲染图像去噪的主要方法结合在一起。该网络结构主要包含三个部分:第一部分为核预测去噪网络(Kernel Predction Denoising Network,KPDNet),利用三维场景的辅助特征图像信息来预测每个像素的滤波核(滤波器);第二部分为生成对抗去噪网络(Generative Adversarial Direct Denoising Network,GAND~2Net),对输入的带噪渲染图像进行初步重建,主要作用为保持图像中的纹理结构以及细节特征;第三部分为图像重构部分,将KPDNet生成的核应用于GAND~2Net生成的初步重建图像中,生成最终的去噪图像。为了使两个网络能够协同工作,组成一个端到端的结构,本文设计了一种新的损失函数来监督网络学习。此外,本论利用随机场景制作方法生成了相应的渲染场景数据集,以使网络的训练更为稳定。实验结果表明,与近两年出现的同类工作相比,本文方法生成的去噪图像有较好的场景结构与细节特征保持能力,同时在整体渲染质量方面与这些优秀方法相当,并且能够保持十分快速的运行时间。