蒙特卡罗路径追踪渲染算法是渲染照片级真实感图像的主流方法,其通用性与无偏性使得该方法被广泛运用至影视动画制作、虚拟现实、实时游戏、艺术视觉设计等领域。然而,该方法需要采样大量的光线路径才能得到正确的像素值估计,导致计算成本高昂,反之在低采样率下的渲染结果在视觉上表现为大量噪声。为了减少计算与时间成本,设计特定的去噪方法去除低采样率下的图像噪声成为了普遍的解决方案。近年来,深度学习技术的发展为许多领域带来了新的突破,尤其是基于生成对抗网络的图像去噪,本文以去噪蒙特卡罗渲染图像作为切入点,研究如何使用生成对抗网络去除蒙特卡罗渲染图像的噪声。基于生成对抗网络的去噪蒙特卡罗渲染模型已经被证明可以显著超过传统蒙特卡罗去噪算法,然而,其仍然存在许多问题,比如:（1）辅助缓存图作为渲染过程的副产品没有在去噪过程中较好的利用。（2）去噪结果过度模糊或者过度平滑,模型鲁棒性低。为此,本文提出了一个新颖的模型结构,该模型以离线速率运行,包含了融合多尺度信息的层级辅助特征提取与渐进式调制模块使得辅助缓存特征与噪声特征在像素级别交互,提出了自适应加权的通道注意力模块以避免网络在面对不同程度的噪声时缺乏灵活性,还引入了可变性卷积更好的恢复图像的空间细节和纹理。在后续研究中,本文还探索了如何在交互式帧速率的限制下去噪每像素光线采样数仅为1的噪声动画序列帧以面向交互式应用,为此,本文提出了一种联合直接预测与核预测的网络模型以保证交互式帧速率的同时提升去噪质量。此外,在核预测网络中,本文提出了一种基于双边滤波的核权重生成方法以让深度信息与法线信息指导核权重的生成。为了验证模型的优越性,本文还创建了一套包含若干个动画序列帧的训练数据集。实验结果表明,在精心设计的网络结构与对抗性损失函数的帮助下,本文所提出的两个去噪模型在视觉效果和数值指标方面均超过了先前最先进的方法。